These Migliore

UNIVERSIT
E DE NICE SOPHIA ANTIPOLIS UFR Sciences
Ecole Doctorale Sciences Fondamentales et Appliquees

TH
`
ESE
pour obtenir le titre de
Docteur en SCIENCES
Specialite :
Math
ematiques
presentee et soutenue par
Thomas MIGLIORE
Estimation des paramètres de transport dans un
milieu hydro-geologique et analyse dincertitudes.
Thèse dirigee par Jacques BLUM & Didier AUROUX
soutenue le 7 decembre 2009
devant le jury compose de :
M. Didier AUROUX Universite de Nice Directeur de thèse
M. Jacques BLUM Universite de Nice Directeur de thèse
M. Laurent HASCO
ET INRIA Sophia Antipolis Examinateur

M. Jerome JAFFR
E INRIA Rocquencourt Rapporteur

M. Mohamed JAOUA Universite de Nice Examinateur
M. Michel KERN INRIA Rocquencourt Examinateur
M. Laurent LOTH ANDRA Examinateur
M. Bernard SARAMITO Universite de Clermont-Ferrand Rapporteur
Laboratoire Jean-Alexandre Dieudonne, Parc Valrose, 06108 NICE Cedex 2
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
La raison fait lhomme mais cest le sentiment qui le conduit.
Jean-Jacques Rousseau
A mon grand-père,
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Remerciements
Tout dabord, je tiens à remercier mes directeurs de thèse, Jacques Blum, sans qui je
naurais pas commence cette thèse, et Didier Auroux pour son aide precieuse en informa-
tique. Jai eu la chance de pouvoir travailler dans dexcellentes conditions materielles et
davoir eu, grace à Jacques et Didier, une grande liberte dans mon travail. Je tiens aussi
à remercier toutes les personnes de lAndra que jai sollicitees tout au long de ces trois
annees : tant le personnel scientique (en particulier Daniel Coehlo, Jerome Gaombalet
et Laurent Loth) quadministratif (Catherine Bergdoll, Carole Laemmel, Valerie Makangu,
Karine Robert). Un grand merci à Laurent Hascoet pour sa gentillesse et sa disponibilite,
il a en eet passe beaucoup de temps sur mon code et au developpement de Tapenade.
Je remercie ensuite lensemble des membres du jury, qui mont fait lhonneur de bien
vouloir examiner mon travail : Jerome Jare et Bernard Saramito pour avoir accepte detre
rapporteurs et avoir pris le soin de lire attentivement mon manuscrit ; Laurent Hascoet et
Laurent Loth pour avoir accepte dexaminer cette thèse et enn Michel Kern et Mohamed
Jaoua pour avoir accepte de faire partie du jury.
Je tiens à exprimer toute ma reconnaissance au personnel administratif du laboratoire
JAD pour leur gentillesse et leur disponibilite, à savoir (par ordre alphabetique) Cecile,
Christiane, Claudine, Fernande, Isabelle DA, Isabelle L., Janine, Jean-Louis (le joueur de
badminton), Jean-Marc et Julien pour linformatique (sans qui je naurai peut etre pas ni
ma thèse...), Jean-Paul (Mr Xerox), Mr Maisonobe (notre cher directeur), Stephanie (et
son ecacite pour les missions).
Je remercie egalement les personnes de lequipe EDP et Analyse Numerique dont
certaines se sont montrees très disponibles lorsque je les ai sollicitees. Une mention speciale
pour Mr Florent Berthelin qui me supporte depuis la matrise o` u il a eu limmense honneur
(...) de menseigner les joies de lanalyse et avec qui jai eu de longues discussions en
longeant le couloir circulaire de notre fabuleux 4
ème
etage. En parlant du 4
ème
, comme
dirait Didier, je tiens à remercier tous ceux (anciens et actuels) qui ont contribue à sa
renommee internationale !
Je continue sur ma lancee en remerciant les doctorants du laboratoire avec qui jai
passe de très bons moments durant ces trois annees (certains dailleurs memorables) :
Mimi (le beau gosse), Lord of Sol (je sais toujours pas ce que ca veut dire... mais fan
inconditionnel de JM! !), Mr Ba (mon inestimable co-bureau), You (ma voisine austro-
hongroise), Joan (et ses t-shirts troues) et sans oublier Thomas (et ses rendez-vous chez le
kine), Pat (pour ce moment memorable à Dourdan), Mr et Mme Olivetti (pour les conseils
L
A
T
E
Xet pour mavoir supporte...), Pierre (et la classe americaine), Cedric (lhomme de la
fusion), Damien, Hugues, Laura, Cristina et tous les autres.
Je terminerai en remerciant tout particulièrement mes parents, mes grands-parents,
mon frère, mon parrain et Caroline (qui partage ma vie) pour lassistance technique,
option tout fourni (assuree depuis plus de 28 ans !) et pour le soutien moral quils mont
apporte dans les moments diciles et sans qui je nen serai pas là aujourdhui, cette thèse
est aussi un peu la leur. Jai egalement une pensee pour ma lle Camille qui est nee il y a
peu pour assister à lachèvement de cette thèse.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Table des matières
1 Introduction 1
1.1 Contexte general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Le stockage des dechets nucleaires : enjeux, outils et dicultes . . . 2
1.1.2 Les dierents types de dechets . . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Les lois de 1991 et 2006 et le role de lAndra . . . . . . . . . . . . . 4
1.1.4 Le stockage en couche geologique profonde . . . . . . . . . . . . . . 4
1.2 Contexte scientique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Problematiques liees au stockage des dechets à haute et moyenne
activite et à vie longue . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Le laboratoire souterrain et lexperimentation DIR . . . . . . . . . 6
1.2.3 Problème inverse et mesures . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Modèles physiques et mathematiques . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Les ecoulements en milieu poreux sature . . . . . . . . . . . . . . . 8
1.3.2 Le transport de radionucleides en milieu poreux sature . . . . . . . 9
1.4 Presentation du problème inverse . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Estimation des paramètres de transport . . . . . . . . . . . . . . . 12
1.4.2 Identication de zones . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.3 Aspect implementation . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Plan du memoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Modèles mathematiques et numeriques 15
2.1 Les equations detat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1 Lequation decoulement . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.2 Lequation de transport . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Discretisation des equations . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2 Discretisation de lequation decoulement . . . . . . . . . . . . . . . 18
2.2.3 Discretisation de lequation de transport : le code Traces . . . . . . 20
2.3 Plateforme de calcul Alliances . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.1 Denition & Historique . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.2 Fonctionnement de la plate-forme . . . . . . . . . . . . . . . . . . . 23
2.3.3 Maillages & Post-traitement . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.1 Le code Traces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 La plate-forme Alliances . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.1 Cadres et objectifs de notre travail . . . . . . . . . . . . . . . . . . 27
2.5.2 Presentation des cas-tests . . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Resolution du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.1 Cas-test colis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
7
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2.6.2 Cas-test reel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Etude du problème inverse 35
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.1.1 Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.1.2 Cadres et objectifs de notre travail . . . . . . . . . . . . . . . . . . 37
3.2 Etude theorique du problème inverse . . . . . . . . . . . . . . . . . . . . . 38
3.2.1 Rappels de controle optimal . . . . . . . . . . . . . . . . . . . . . . 38
3.2.2 Le modèle lineaire tangent . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.3 Introduction de letat adjoint . . . . . . . . . . . . . . . . . . . . . 40
3.2.4 Obtention formelle de lequation de transport adjointe . . . . . . . 43
3.3 Etude numerique du problème inverse . . . . . . . . . . . . . . . . . . . . . 52
3.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.2 Le code adjoint . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.3 Rappels sur les methodes doptimisation . . . . . . . . . . . . . . . 53
3.3.4 Description de lalgorithme de minimisation . . . . . . . . . . . . . 54
3.3.5 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4 Dierentiation automatique 57
4.1 Generalites sur le calcul des derivees . . . . . . . . . . . . . . . . . . . . . 58
4.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.1.2 Les dierentes methodes de calcul des derivees . . . . . . . . . . . . 58
4.2 Dierentiation automatique du code par Tapenade . . . . . . . . . . . . . . 62
4.2.1 Generalites sur la dierentiation automatique . . . . . . . . . . . . 62
4.2.2 Presentation de Tapenade . . . . . . . . . . . . . . . . . . . . . . . 64
4.3 Du point de vue numerique . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.3.1 Validation des codes generes automatiquement . . . . . . . . . . . . 69
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4.1 Resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4.2 Discussion sur la dierentiation automatique . . . . . . . . . . . . . 70
5 Estimation de paramètres 71
5.1 Generalites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2 Resultats numeriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1 Cas-test colis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.2 Cas-test reel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3 Conclusion des tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6 Identication de zones 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.2 Etude numerique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2.1 Premiers tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2.2 Cas concentrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
7 Conclusion et perspectives 115
Annexe 116
A Nomenclature des grandeurs physiques 117
Bibliographie 118
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Liste des tableaux
2.1 Ccients pour lIode 129 . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Ccients de diusion/dispersion, de porosite et de retard . . . . . . . . . 28
3.1 Algorithme de minimisation . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1 Methode de la variable complexe . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Algorithme de resolution numerique du problème inverse . . . . . . . . . . 68
4.3 Precision du test du gradient . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.1 Valeurs identiees pour le cas-test colis sans bruit . . . . . . . . . . . . . 73
5.2 Valeurs identiees avec un bruit de 5% . . . . . . . . . . . . . . . . . . . . 75
5.3 Identication des 6 paramètres . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.4 Identication des 2 paramètres de la zone
1
. . . . . . . . . . . . . . . . . 78
5.5 Identication de la porosite . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.6 Identication de la diusion . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.7 Identication dans les zones 1 & 3 . . . . . . . . . . . . . . . . . . . . . . . 79
5.8 Identication dans les zones 1 & 3 avec un bruit de 3% . . . . . . . . . . . 81
5.12 Identication dans les zones 1 & 3 avec un bruit de 10% . . . . . . . . . . 87
5.13 Identication dans les zones 1 & 3 avec un bruit de 20% . . . . . . . . . . 87
6.1 Valeurs initiales des paramètres . . . . . . . . . . . . . . . . . . . . . . . . 94
6.2 Valeurs initiales des paramètres . . . . . . . . . . . . . . . . . . . . . . . . 97
6.3 Identication dans les zones 1, 3, 4, 5, 6 & 7 . . . . . . . . . . . . . . . . . 101
6.4 Identication dans les zones 1, 3, 4, 5, 6 & 7 . . . . . . . . . . . . . . . . . 103
6.5 Identication de la diusion avec un bruit de 3% . . . . . . . . . . . . . . . 105
6.6 Identication de la porosite avec un bruit de 3% . . . . . . . . . . . . . . . 106
6.7 Identication dans les zones 1, 3, 4, 5, 6 & 7 avec un bruit de 5% . . . . . 108
6.8 Identication de la diusion avec un bruit de 10% . . . . . . . . . . . . . . 110
6.9 Identication de la porosite avec un bruit de 10% . . . . . . . . . . . . . . 110
6.10 Identication de la diusion avec un bruit de 20% . . . . . . . . . . . . . . 112
6.11 Identication de la porosite avec un bruit de 20% . . . . . . . . . . . . . . 112
A.1 Valeurs des grandeurs physiques . . . . . . . . . . . . . . . . . . . . . . . . 117
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Table des gures
1.1 Laboratoire souterrain de Bure . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Structure dun module . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1 Architecture dAlliances . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2 Architecture de Traces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Structure du chier traces0.f90 . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Representation du milieu geologique . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Representation du domaine (60 m 40 m) . . . . . . . . . . . . . . . . 29
2.6 Representation du domaine (0,4 m 2 m) . . . . . . . . . . . 29
2.7 Chambre de diusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.8 Domaine maille avec 2742 elements . . . . . . . . . . . . . . . . . . . . . 30
2.9 Visualisation de la concentration obtenue avec Salome à linstant nal . . . 31
2.10 Visualisation de la concentration obtenue avec Matlab à linstant nal . . . 32
2.11 Prol de concentration sur la ligne horizontale
1
dequation y = 1 . . . . . 33
2.12 Prol de concentration sur la ligne horizontale
2
dequation y = 0, 9 . . . 34
2.13 Prol de concentration sur la ligne verticale
3
dequation x = 0 . . . . . . 34
3.1 Domaine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Domaine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1 Dierences nies pour log x au point 1 . . . . . . . . . . . . . . . . . . . . 60
4.2 Strategie Store All . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.3 Checkpointing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.4 Architecture du code adjoint de Traces . . . . . . . . . . . . . . . . . . . . 68
4.5 Structure du chier traces0 b.f90 . . . . . . . . . . . . . . . . . . . . . . . 68
4.6 Diagramme de resolution du problème inverse . . . . . . . . . . . . . . . . 70
5.1 En haut : evolution des 2 paramètres de porosite en echelle semi-log à gauche.
Au milieu à gauche : evolution des 2 paramètres de diusion en echelle semi-
log. Au milieu à droite : evolution de la fonction co ut en echelle semi-log.
En bas à gauche : evolution des 4 composantes du gradient en echelle semi-log. 74
5.2 En haut : evolution des 2 paramètres de porosite en echelle semi-log à gauche.
Au milieu : evolution des 2 paramètres de diusion en echelle semi-log. En
bas à gauche : evolution de la fonction co ut en echelle semi-log. En bas à
droite : evolution des 4 composantes du gradient en echelle semi-log. . . . . 76
5.3 En haut à gauche : evolution des 2 paramètres de diusion. En haut à droite :
evolution des 2 paramètres de porosite. En bas à gauche : evolution de la
fonction co ut en echelle semi-log (la partie temporelle est en magenta, la
partie correspondant à letat nal est en bleu et le co ut total est en cyan).
En bas à droite : evolution des 4 composantes du gradient en echelle semi-log. 80
11
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
6.1 Conguration exacte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.2 Conguration modiee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.3 Diusion à literation 1, Diusion à literation 947, Diusion reelle . . . . . 95
6.4 Porosite à literation 1, Porosite à literation 947, Porosite reelle . . . . . . 96
6.5 Evolution de la fonction co ut (la partie temporelle est en magenta, la partie
correspondant à letat nal est en bleu et le co ut total est en cyan) . . . . 96
6.6 Evolution du gradient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.7 Evolution de la fonction co ut . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.9 En haut à gauche : Diusion à literation 1. En bas à droite : Diusion à
literation 1857. En bas à gauche : Diusion à literation 2501. En bas à
droite : Diusion reelle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.10 En haut à gauche : Porosite à literation 1. En bas à droite : Porosite à
literation 1857. En bas à gauche : Porosite à literation 2501. En bas à
droite : Porosite reelle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.11 Conguration exacte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.12 Conguration modiee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Chapitre 1
Introduction
Sommaire
1.1 Contexte general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Le stockage des dechets nucleaires : enjeux, outils et dicultes . . . . . 2
1.1.2 Les dierents types de dechets . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Les lois de 1991 et 2006 et le r ole de lAndra . . . . . . . . . . . . . . . 4
1.1.4 Le stockage en couche geologique profonde . . . . . . . . . . . . . . . . . 4
1.2 Contexte scientique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Problematiques liees au stockage des dechets à haute et moyenne activite
et à vie longue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Le laboratoire souterrain et lexperimentation DIR . . . . . . . . . . . . 6
1.2.3 Problème inverse et mesures . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Modèles physiques et mathematiques . . . . . . . . . . . . . . . . . . . 7
1.3.1 Les ecoulements en milieu poreux sature . . . . . . . . . . . . . . . . . . 8
1.3.2 Le transport de radionucleides en milieu poreux sature . . . . . . . . . . 9
1.4 Presentation du problème inverse . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Estimation des paramètres de transport . . . . . . . . . . . . . . . . . . 12
1.4.2 Identication de zones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.3 Aspect implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Plan du memoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2 Chapitre 1. Introduction
On sinteresse dans cette thèse à lestimation des paramètres de transport de solutes
dans un milieu poreux peu permeable, dun point de vue theorique et applique, en lien avec
le stockage des dechets nucleaires à vie longue en couche geologique profonde. Ce premier
chapitre introductif est organise comme suit. Dans le premier paragraphe, nous presentons
le contexte general du projet de thèse. Le paragraphe suivant traite du contexte scientique.
La troisième partie introduit les modèles mathematiques qui seront utilises dans la suite.
Le quatrième paragraphe aborde lestimation de paramètres à proprement dit. La dernière
partie presente le travail realise sur lidentication de zones.
1.1 Contexte general
1.1.1 Le stockage des dechets nucleaires : enjeux, outils et dicultes
Depuis le debut des annees 1990, la protection de lenvironnement est devenue une
preoccupation collective. La question des dechets (au sens large) est quotidienne et touche
chaque individu tant sur le plan professionnel que familial. Les enjeux lies à ces problèmes
resident principalement dans la gestion des ressources en eau et la matrise des pollutions
souterraines.
Parmi ces dechets, la problematique de la gestion des dechets nucleaires est devenue
durant ces dernières annees une preoccupation importante de la societe. Il devient en eet
necessaire de trouver une solution durable au stockage des dechets nucleaires, residus des
activites civiles et militaires, an de preserver notre environnement. Ces dechets ayant
une longue duree de vie, il convient de leur trouver une solution appropriee respectant les
contraintes de s urete. Lobjectif de la gestion des dechets est de proteger lhomme et son
environnement contre toute emission ou dissemination de matières dangereuses.
En France, lAndra
travaille depuis longtemps sur le sujet et a pour mission detudier,

de concevoir, dexploiter et de surveiller les centres de stockage des dechets radioactifs
en protegeant à long terme lhomme et lenvironnement de limpact des dechets. LAndra
etudie notamment des solutions de gestion durable pour les dechets qui restent aujourdhui
sans lière industrielle de gestion. Pour ce faire, elle sappuie sur les mathematiques ap-
pliquees an de trouver les solutions les mieux adaptees. En eet, le seul moyen de predire
le comportement des dechets en sous-sol sur plusieurs milliers dannees est de realiser des
simulations numeriques ables du transport de radionucleides en milieu souterrain. Dans
lhypothèse o` u des radioelements dangereux seraient relaches dans la biosphère, on doit
pouvoir disposer de toutes les informations necessaires à la comprehension des circons-
tances du relachement et den connatre les proportions.
Les principales dicultes liees au problème de stockage sont de plusieurs ordres :
la première est dordre scientique et technique : comment assurer la s urete du sto-
ckage sur le long terme ? De plus, la recuperation, le traitement et linterpretation
des donnees issues du laboratoire souterrain sont assez lourds. Les modèles sont com-
plexes, les simulations (directes et inverses) demandent donc une grande capacite de
calcul des ordinateurs et des methodes numeriques adaptees ;
la deuxième est dordre nancière : le co ut de ce travail est enorme, tant en moyen
humains (chercheurs, ingenieurs, techniciens), quen materiel (construction du labo-
ratoire de Bure o` u les tests sont eectues, carottages, instruments de mesure, moyens
Agence Nationale pour la gestion des Dechets RadioActifs

1/7 rue Jean Monnet, Parc de la Croix Blanche, 92298 Chatenay-Malabry.
Voir lURL http://www.andra.fr/
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1.1 Contexte general 3
informatiques). Il se pose egalement la question du co ut du stockage qui est paye par
lensemble de la societe et qui ne doit pas nuire à sa s urete.
1.1.2 Les dierents types de dechets
La classication des dechets se fait par rapport aux caracteristiques des dechets en
fonction de leur activite et de la duree de vie des radionucleides. Pour les dierentes
categories de dechets, lAndra etudie puis met en uvre des solutions de gestion adaptees.
On distingue traditionnellement trois types de gestion pour les dechets HAVL corres-
pondant aux trois axes de la loi de 1991 (cf. section 1.1.3) : lentreposage en surface, la
transmutation-incineration, le stockage en site profond. Ces trois voies sont actuellement
explorees en France par lAndra et le CEA. Le stockage en couche geologique profonde
est la solution de reference pour les dechets à haute ou moyenne activite à vie longue
(HA-VL ou MA-VL), voir notamment [86]. On parle de dechets à vie courte pour ceux
contenant des isotopes avec une periode radioactive (temps necessaire pour quun element
radioactif perde la moitie de son activite par desintegration naturelle) inferieure à 30 ans,
de dechets à vie longue pour les autres. Les caracteristiques de la couche dargilites du
Callovo-Oxfordien etudiee sont susceptibles de garantir la s urete du stockage. LAndra ex-
plore donc les proprietes de ces argilites dans son laboratoire souterrain de Meuse/Haute
Marne construit au milieu de la couche du Callovo-Oxfordien ` a 500 m de profondeur (gure
1.1).
A linverse des dechets de très faible activite qui atteignent un niveau dactivite proche
de la radioactivite naturelle en quelques dizaines dannees, les dechets de haute activite
à vie longue necessitent detre connes pendant des durees de lordre du million dannees
avant de retrouver une radioactivite equivalente à celle du milieu naturel. Le stockage
doit donc garantir une s urete à très long terme. Ces dechets sont conditionnes en vue de
leur entreposage puis de leur stockage, cest-à-dire quils sont solidies pour ceux qui se
presentent sous forme dispersable, puis places dans des conteneurs en beton ou en acier.
Ces conteneurs, aussi appeles colis, varient selon les dechets auxquels ils sont destines
mais le principe general reste toujours le meme : les dechets sont mis dans une matrice
generalement composee de ciment et/ou de bitume.
Fig. 1.1 Laboratoire souterrain de Bure
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1.1.3 Les lois de 1991 et 2006 et le role de lAndra
Suite aux etudes menees par lAndra dans le cadre de la loi de 1991 (dite loi Bataille)
et presentees dans le rapport remis n 2005 au gouvernement, le parlement fran cais a vote
la loi n
2006-739 du 28 juin 2006 relative à la gestion durable des matières et des dechets
radioactifs. Cette loi precise les recherches et les etudes relatives aux dechets de haute
activite (HA) et de moyenne activite à vie longue (MA-VL) et renforce le positionnement
de lAndra comme responsable de la gestion durable de tous les dechets radioactifs produits
par la France. Les principales evolutions des missions de lAndra concernent :
le pilotage des recherches sur lentreposage,
la conception, limplantation et la gestion des entreposages et stockage,
la prise en charge des dechets et des sites orphelins (mission de service public).
Le Dossier 2005 ([8]) conclut à la faisabilite du stockage geologique reversible dans
les argilites similaires à celles du Callovo-Oxfordien. Cest sur la base des elements de ce
dossier, des conclusions du CEA sur les deux autres axes de recherche (la transmutation-
incineration et lentreposage de longue duree) et dun debat public, qua ete promulguee
la loi de 2006 qui conrme les trois axes de recherche pour la gestion des dechets HA et
MA-VL : la separation et la transmutation des elements radioactifs à vie longue, cone
au CEA, le stockage reversible en couche geologique profonde et lentreposage, cones à
lAndra.
Le projet de loi precise les jalons des etudes. Pour la separation et la transmutation,
devront etre arretees, en 2012, les perspectives industrielles liees aux recherches sur la qua-
trième generation de reacteurs. Pour le stockage reversible en couche geologique profonde,
il est prevu de reunir en 2015 tous les elements necessaires à une autorisation avec la tenue
dun debat public en 2012. Quant au centre de stockage eventuel, sa date de mise en service
est xee à 2025, ce qui est compatible avec le calendrier de production des dechets à haute
activite et à vie longue issus du cycle nucleaire fran cais.
Le texte apporte egalement deux elements essentiels dans des domaines non couverts par
la loi de 1991. Dune part, il propose une veritable gestion nationale pour les dechets, mais
aussi pour les matières radioactives, valorisables ou non, en instituant le plan national de
gestion des dechets radioactifs. Dautre part, il donne un cadre legislatif au demantèlement
des installations nucleaires.
1.1.4 Le stockage en couche geologique profonde
Le concept de stockage etudie par lAndra pour les dechets HAVL est base sur le
stockage dans les argilites du meme type que celles du Callovo-Oxfordien situees au labo-
ratoire souterrain de Meuse/Haute Marne entre 420 et 550 mètres de profondeur. Très peu
permeable, la couche dargile dune epaisseur de 130 m presente des proprietes de retention
des radioelements importantes. Lage de la formation, sa stabilite tectonique, la profondeur
dimplantation du stockage permettent denvisager une grande stabilite de ces proprietes
favorables, aux echelles de temps etudiees ici (de lechelle du millier dannees à celle de
plusieurs centaines de milliers dannees).
Leau est à la fois le principal facteur de corrosion des colis de dechets radioactifs
et du relachement consecutif des radioelements quils contiennent, et le vecteur de leur
transport dans la barrière geologique. Une fois dissous dans leau, les radioelements seront
transportes par diusion/dispersion et convection à travers les couches geologiques. On voit
donc que la couche dargile a le double role de retarder le contact de leau avec les colis et
la contamination de la biosphère (et donc de laisser le temps à de nombreux isotopes de
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1.2 Contexte scientique 5
se desintegrer).
Dans ce contexte, le stockage doit etre con cu pour sopposer ` a la circulation deau,
limiter le relachement des radionucleides et les immobiliser à linterieur du stockage lui-
meme, retarder et attenuer la migration des radionucleides qui auraient ete relaches par
les dechets et preserver les proprietes favorables du milieu en limitant les perturbations.
Larchitecture du stockage envisagee se denit sur plusieurs niveaux. Le stockage se
decompose en plusieurs zones destinees à recevoir dierents types de dechets. Chaque zone
est composee de modules qui sont relies par des galeries de liaison et traverses par des
galeries daccès. Les modules sont constitues dalveoles (gure 1.2) connectees aux galeries
daccès et contiennent les colis à stocker. Les alveoles sont des cavites souterraines creusees
dans la formation geologique, leur architecture precise varie selon la zone de stockage pour
sadapter au type de dechets re cus et à leur conditionnement. La conception du stockage
vise à minimiser lextension verticale du stockage an de pouvoir sinserer dans la couche
dargile du Callovo-Oxfordien et de maximiser les epaisseurs dargilites situees au-dessus
et au-dessous du stockage.
Fig. 1.2 Structure dun module
1.2 Contexte scientique
Le travail de la thèse sinscrit dans le contexte du projet de stockage en formation
geologique profonde de dechets radioactifs haute et moyenne activite et vie longue (HA-
MAVL). Lobjectif fondamental de la gestion à long terme de ces dechets est de proteger,
sur une très grande duree, lhomme et lenvironnement des risques de contamination. La
simulation sur de grandes echelles despace et de temps, et notamment la simulation des
ecoulements et du transport des radionucleides est un outil important pour evaluer la
s urete et limpact du stockage sur les personnes et leur environnement.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1.2.1 Problematiques liees au stockage des dechets à haute et moyenne acti-
vite et à vie longue
Le stockage des dechets nucleaires en site profond necessite une bonne matrise des
lois de diusion/dispersion des radioelements dans les couches geologiques. Pour cela,
la modelisation mathematique doit prendre en compte certains mecanismes comme par
exemple la dissolution/precipitation, la liation des espèces, ladsorption. Les methodes
numeriques que nous utiliserons doivent donc etre adaptees aux modèles physiques et
mathematiques decrivant ces phenomènes.
La simulation numerique, à grande echelle et sur une longue periode, du transport
de radionucleides en couche geologique profonde pose de nombreux problèmes. On peut
tout dabord mentionner les dicultes liees aux heterogeneites du domaine de calcul. Ces
heterogeneites existent à plusieurs echelles en espace. A lechelle la plus grande, elles sont
causees par les changements de couches geologiques. Cela correspond à des changements
dans les proprietes hydrogeologiques des roches qui composent ces couches, provoquant,
par exemple, des variations de permeabilite ou de ccients de diusion-dispersion de
plusieurs ordres de grandeur. Ces heterogeneites se traduisent par des discontinuites dans
les ccients des equations au passage dune couche geologique à lautre. Cependant,
certaines quantites physiques restent continues : les debits en eau, la pression et les ux
de contaminants.
La duree des simulations constitue une autre diculte. En eet, celle-ci est en general
longue car les ecoulements souterrains et la diusion des radionucleides sont lents (en
comparaison avec ce qui se passe en surface ou dans lair). Dans le cas des dechets à haute
activite et à vie longue, la duree de simulation peut aller jusquà un million dannees.
Cette duree est alors choisie de sorte que le maximum de limpact potentiel du stockage
sur lenvironnement soit depasse et puisse etre evalue. Dans de telles echelles de temps,
les colis seront corrodes et des radionucleides seront relaches dans le stockage. Il est donc
essentiel de pouvoir evaluer la propagation des radionucleides sils venaient à etre liberes
dans le milieu geologique. Ces resultats netant pas accessibles par des voies experimentales,
il est necessaire de resoudre un modèle mathematique complexe que nous presenterons dans
la section 1.3.
Notre etude doit aussi prendre en compte la zone endommagee lors du forage des galeries
et des alveoles de stockage et il faut donc caracteriser les proprietes hydrauliques et de
transport de ces zones et des materiaux (beton par exemple) utilises pour construire les
ouvrages dentreposage. On peut eectivement sattendre à avoir des valeurs de paramètres
dierentes dans cette zone par rapport à la zone saine. Enn, on doit egalement mentionner
les problèmes concernant les incertitudes sur les donnees, issues de forages à 500 m sous
terre, et leur impact sur les resultats, ainsi que lanalyse de la sensibilite des resultats par
rapport à nos paramètres.
1.2.2 Le laboratoire souterrain et lexperimentation DIR
Lexperimentation DIR Diusion de traceurs Inertes et Reactifs appartient au pro-
gramme de recherche multidisciplinaire engage par lAndra pour etudier les caracteristiques
et le comportement des argilites de la formation du Callovo-Oxfordien du site de Meuse/Hau-
te Marne pour le stockage des dechets radioactifs. Lobjectif de cette experimentation est
dameliorer la comprehension des mecanismes de transfert des radionucleides dans les ar-
gilites et devaluer les valeurs des ses paramètres de diusion qui sont necessaires aux
analyses de s urete et aux etudes de faisabilite dun stockage.
Le Callovo-Oxfordien est une couche sedimentaire dargilites de 130 m depaisseur en-
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1.3 Modèles physiques et mathematiques 7
viron. Cette roche est saturee en eau et sa porosite est comprise entre 10 et 20 %. Depuis
1994, les dierentes campagnes dexperimentation ont montre la faiblesse des ux convectifs
au sein de la formation du Callovo-Oxfordien, et na pas mis en evidence de discontinuite
susceptible detre le siège decoulements signicatifs. En consequence, le principal facteur
du transport des radionucleides est la diusion moleculaire.
Le principe dun essai de diusion in situ est le suivant : des traceurs en solution sont
mis en contact avec le milieu geologique à partir dune chambre de test constituee dune
section de forage delimitee par des obturateurs. La concentration en traceurs dans la section
dessai est suivie sur une annee environ.
Les traceurs dans lexperience DIR sont de trois types :
les traceurs inertes, comme leau tritiee, donnent accès aux seules proprietes de
geometrie de la porosite de la roche et donc au ccient de diusion eectif,
les traceurs anioniques, comme le chlorure, repousse par les milieux argileux, donnent
accès à leet conjoint de la diusion et de la porosite accessible à la diusion,
les cations retenus par la roche donnent accès à leet conjoint de la diusion et de
la retention chimique.
Concernant la recuperation des donnees de lexperimentation DIR, on peut preciser
que la concentration est mesuree par lanalyse de leau contenue dans la roche ou dans la
chambre dinjection. La pression est directement mesurable à laide dun trasducteur de
pression. Si la porosite est aussi une quantite directement mesurable, les incertitudes sur
la valeur de ce paramètre sont liees à sa variabilite spatiale : on ne peut en eet mesurer
la porosite quen un nombre limite de points.
1.2.3 Problème inverse et mesures
Une problematique qui na pas encore ete abordee est celle concernant les mesures. En
eet, tous les paramètres de notre modèle mathematique (1.3) ne sont pas directement
mesurables lors des experimentations (ou alors des mesures sont disponibles mais en quan-
tites insusantes), ce qui necessite de mettre en uvre des techniques de resolution des
problèmes inverses an de les identier. Nous reviendrons plus en details sur les problèmes
inverses dans la section 1.4.
Dans cette thèse, nous avons utilise des donnees synthetiques (i.e. auto simulees) an
de valider les methodes employees. Lavantage dutiliser des donnees synthetiques est que
lon peut comparer la porosite et le champ de diusion obtenus en resolvant le problème
inverse avec la porosite et le champ de diusion initiaux (qui sont en pratique inconnus),
construire des donnees perturbees aleatoirement et ainsi evaluer la precision des methodes
numeriques mises en uvre. Les donnees de concentration utilisees dièrent pour chaque
cas-test mis en uvre et sont exposees dans le chapitre 5. Une des perspectives de notre
travail est lapplication des methodes presentees dans ce document aux mesures relevees
dans lexperience DIR et qui consistent en des mesures de concentration recueillies dans
la chambre dinjection tout au long de lexperience, ainsi que des mesures au temps nal
obtenues par un sur-carottage (cf. chapitre 7).
1.3 Modèles physiques et mathematiques
Dans cette thèse, nous avons considere les problèmes lies au transport de radionucleides
en milieu poreux. Pour modeliser ce type de phenomène, nous utilisons un modèle de
convection-diusion/dispersion en milieu poreux non deformable et peu permeable (ecoule-
ment Darceen). Le principal phenomène de transport dans le Callovo-Oxfordien etant la dif-
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
fusion moleculaire, nous denirons les paramètres necessaires pour decrire ce phenomène :
le ccient de diusion, note D; la porosite accessible à la diusion, et le ccient de
retard R, egal à 1 dans le cas des traceurs non retardes chimiquement.
Nous evoquerons egalement les equations decoulement meme si notre etude porte sur
le transport. En eet, les modèles decoulements servent de base aux modèles de transport,
il nous semble donc necessaire de les mentionner an davoir une bonne comprehension de
tous les phenomènes en jeu. Une litterature abondante existe sur les problèmes en milieu
poreux, on peut citer par exemple Alboin et al. [2, 3], Apoung et al. [9], Chavent et al.
[38], de Dieuveleult et al. [44], Jare [63, 64].
Dans toute la suite, on notera le domaine detude.
1.3.1 Les ecoulements en milieu poreux sature
Denition 1.1 (Milieu poreux) Un milieu poreux est un milieu compose dune matrice
solide et despaces vides (les pores) pouvant etre occupes par de lair, de leau ou dautres
uides. On peut caracteriser un milieu poreux par deux grandeurs : sa porosite et sa
permeabilite.
Dans notre contexte, on sinteressera uniquement au cas dun milieu sature en eau, cest-
à-dire dans lesquels tous les vides sont remplis deau. Les sols peuvent donc etre assimiles
à des milieux poreux contenant une certaine proportion deau. La migration des espèces
chimiques dans les sols se fait par le biais de leau quils contiennent : les espèces chimiques
sont dissoutes dans leau et les sols permeables permettent la circulation de leau et des
espèces. On peut distinguer deux types de contributions essentielles dans la migration
dune espèce : dune part un mouvement densemble porte par la circulation de leau dans
le milieu (convection) et dautre part une tendance à homogeneiser la concentration. Cette
tendance provient de deux mecanismes distincts : la dispersion cinematique et la diusion
moleculaire. Selon la nature des espèces et du milieu, dautres phenomènes peuvent encore
inuencer la migration.
Par la suite, la roche poreuse est observee à une echelle telle que les pores sont très
petits par rapport à lechelle retenue, ce qui permet de considerer le milieu comme continu.
Denition 1.2 (Porosite) La plupart des roches contiennent naturellement un certain
pourcentage de vide, qui peut etre occupe par de leau ou des polluants : cest ce quon
appelle la porosite. La porosite est constituee par les espaces libres qui existent entre les
grains de la roche ou par les ssures creees par les mouvements tectoniques de la cro ute
terrestre. La porosite mesure donc le rapport de volume entre la roche et le vide.
Pour caracteriser la porosite dun milieu geologique, il convient de denir un volume
elementaire representatif dont la taille permet de determiner une valeur moyenne de la
porosite telle que les eets dus à la variation de la taille des pores soient negligeables.
La taille du volume representatif doit egalement garantir que les variations des paramètres
dun volume à un autre peuvent etre approchees par des fonctions continues et correspondre
aux echelles de dimension des instruments mesurant les valeurs des paramètres. Ce concept
de volume representatif permet de representer le domaine geologique par un milieu poreux
equivalent maille par un certain nombre de points pour lesquels les proprietes physiques
du milieu sont approchees par des grandeurs moyennes traduisant, à lechelle du volume
entourant chaque point, les heterogeneites du milieu geologique.
Denition 1.3 (Permeabilite) La notion de permeabilite k quantie linuence de la geo-
metrie de la matrice solide sur la vitesse decoulement des uides dans la roche. Elle depend
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1.3 Modèles physiques et mathematiques 9
de la porosite , des liaisons entre les pores et de la nature des uides. Dans le cas general,
k est un tenseur.
Denition 1.4 (Conductivite hydraulique) La conductivite hydraulique K du milieu po-
reux est denie comme le rapport entre la permeabilite et la viscosite de leau. Selon la
loi de Darcy, le tenseur de conductivite hydraulique est le rapport entre le ux volumique
decoulement de leau, aussi appele vitesse de Darcy q, et le gradient en pression.
On considère que le milieu est heterogène, i.e. les valeurs de porosite, permeabilite et
diusion ne sont pas constantes. Le modèle mathematique de lecoulement est le suivant
_
_
s
h
t
+.q = f
q = K.h
(1.1)
o` u s est un ccient de stockage specique, h(x, t) la charge piezometrique, f(x, t) est un
terme source et K denote le tenseur de conductivite hydraulique qui secrit sous la forme
K =
k g
(1.2)
avec k le tenseur de permeabilite, g la gravite, la densite du uide et la viscosite du
uide.
La première equation exprime la conservation de la masse deau. Comme nous considerons
un ecoulement incompressible, la densite volumique du uide est constante dans le temps
et dans lespace. La deuxième equation est appelee loi de Darcy. Elle traduit le fait que
la vitesse de Darcy est proportionnelle au gradient de pression. Celle-ci nest valable que
sous certaines conditions : de faibles vitesses (permettant de negliger linertie du uide) et
des milieux qui ne sont pas trop heterogènes.
Comme lequation decoulement est independante de la concentration, on peut la traiter
en premier et de resoudre ensuite de fa con separee lequation de transport. Pour certains
contaminants, il est possible que la viscosite depende de la concentration, mais on suppose
generalement que les radionucleides sont presents en quantites susamment petites pour
que linuence de leur concentration sur la viscosite soit negligeable.
1.3.2 Le transport de radionucleides en milieu poreux sature
Pour decrire le transport despèces chimiques en milieu poreux, il convient de denir
quelques mecanismes de base et ceux speciques à la propagation despèces chimiques telles
que les radionucleides.
Denition 1.5 (Convection ou advection) La convection est le mecanisme le plus intuitif
de deplacement, il consiste en lentranement des elements en solution par le uide qui se
deplace.
Denition 1.6 (Dispersion cinematique) La variation des vitesses en amplitude et en
direction à petite echelle, due à la microstructure du milieu poreux, entrane une dilution
du solute appelee dispersion cinematique.
Denition 1.7 (Diusion moleculaire) La diusion moleculaire est un phenomène phy-
sique lie à lagitation moleculaire. Contrairement à la dispersion cinematique, il peut etre
independant de la convection.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Denition 1.8 (Sorption) Le cas ideal de la convection-diusion pure est rarement ren-
contre en pratique et il est par exemple frequent que le solute interagisse avec la matrice du
milieu poreux : on parle alors de sorption. il existe dierents types de sorption, on peut par
exemple citer ladsorption qui consiste en laccumulation delements sur linterface entre
la solution et le solide.
Denition 1.9 (Decroissance radioactive) La decroissance radioactive est la reduction du
nombre de noyaux radioactifs (instables) dans un echantillon. La decroissance radioactive
se produit jusquà ce que tous les noyaux de lechantillon soient stables.
Denition 1.10 (Filiation) La liation exprime le fait quun radionucleide père peut for-
mer en se desintegrant dautres radionucleides moins instables.
Les phenomènes tels que la propagation de concentration en milieu poreux sont decrits
par des equations aux derivees partielles qui relient les paramètres (porosite, diusion) à la
variable detat (concentration). Le modèle mathematique complet exprime la conservation
de la masse de chaque radionucleide et se compose dune equation pour la partie dissoute
(1.3) et dune equation pour la partie precipitee (1.4).
Le transport du radionucleide i en phase liquide est modelise par lequation de bilan
suivante
(R
i
C
i
)
t
= .(D
i
.C
i
q C
i
)
i
R
i
C
i
+
ij

j
R
j
C
j
+ S
i
+ Q
i
(1.3)
o` u (x) est la porosite du milieu, R
i
le ccient de retard du radionucleide i, C
i
(x, t) la
concentration du radionucleide i dissout dans leau, D
i
(x) le tenseur de dispersion/diusion,
q(x) designe la vitesse de Darcy,
i
le ccient de decroissance radioactif associe au ra-
dionucleide i, j decrit lensemble des pères du radionucleide i,
ij
est la fraction du radio-
nucleide j se desintegrant en le radionucleide i, S
i
(x, t) est le terme dechange entre les
phases solides et liquides et Q
i
(x, t) le terme source, dependant du contenu et de letat de
la barrière ouvragee.
Lequation de transport (1.3) contient
un terme daccumulation note R
i
C
i
t
,
un terme de diusion-dispersion .(D
i
.C
i
), un terme dadvection .(q C
i
),
un terme de decroissance radioactive
i
R
i
C
i
, un terme de liation
ij

j
R
j
C
j
.
Lequation de bilan en phase solide secrit
[(1 )f
i
]
t
+
i
(1 )f
i
=
ij

j
(1 )f
j
S
i
(1.4)
o` u f
i
est la concentration de radionucleide i precipitee dans la matrice rocheuse.
La loi dechange entre les phases liquides et solides est donnee par
S
i
=
i
(C
sat
i
C
i
)
i
avec
i
=
_
0 si f
i
= 0 et C
i
< C
sat
i
1 sinon
(1.5)
o` u
i
est la constante cinetique de precipitation/dissolution et C
sat
i
la concentration de
saturation du radionucleide i. La loi dechange entre les deux phases (1.5) exprime la
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1.4 Presentation du problème inverse 11
prise en compte de la precipitation par isotope. On peut en eet constater pour certains
contaminants un phenomène de precipitation : la concentration dissoute ne peut pas
depasser un certain seuil C
sat
i
au-delà duquel les radionucleides en surnombre precipitent,
cest-à-dire quils se xent sur la matrice rocheuse sous forme solide. A lendroit o` u un
contaminant a precipite, sa concentration en phase liquide est localement constante, egale
à la concentration de saturation C
sat
i
. Lechange entre la phase liquide et la phase solide
est quantie par un ccient dechange constant pour un radionucleide donne.
Remarque 1.1 La loi dechange (1.5) nest pas dierentiable par rapport aux concentra-
tions aux points o` u f
i
= 0 et C
i
= C
sat
i
.
Dans la suite, nous utiliserons un modèle simplie : on ne tiendra pas compte de la
liation, cest-à-dire que le terme
ij

j
R
j
C
j
disparat et donc les equations pour les
dierents types de radionucleides seront independantes. On considerera egalement des ra-
dionucleides qui ne precipitent pas. Si lon ne considère quun seul radionucleide, lequation
(1.3) devient alors
(RC)
t
.(D.C q C) + RC Q = 0. (1.6)
Le ccient de diusion D sexprime comme la somme dun terme de diusion molecu-
laire eectif D
e
dependant de la porosite et du ccient de diusion moleculaire D
m
et
dun terme D
dependant de la vitesse de Darcy

D = D
e
+ D
. (1.7)
Le ccient D
e
secrit sous la forme D
e
= D
m
et le terme D
est une matrice, plus

precisement cest un tenseur symetrique du second ordre, qui secrit en deux dimensions
sous la forme
D
=
_
_
_
_
_
T
[[q[[ + (
L
T
)
q
2
x
[[q[[
(
L
T
)
q
x
q
y
[[q[[
(
L
T
)
q
x
q
y
[[q[[

T
[[q[[ + (
L
T
)
q
2
y
[[q[[
_
_
_
_
_
(1.8)
o` u
L
est la dispersivite longitudinale et
T
la dispersivite transversale.
Remarque 1.2 Le calcul prealable de la vitesse de Darcy q est necessaire pour pouvoir
resoudre lequation de transport, i.e. nous avons à resoudre (1.1) dans avec des condi-
tions initiales et aux limites appropriees avant de resoudre (1.6).
1.4 Presentation du problème inverse
Certains ccients, appeles aussi paramètres, intervenant dans un modèle mathema-
tique sont inaccessibles experimentalement. On parle didentication, ou destimation de
paramètres, lorsque lon cherche à determiner la valeur de ces paramètres à partir des
mesures et des sorties dun modèle mathematique : cest ce quon appelle resoudre un
problème inverse.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1.4.1 Estimation des paramètres de transport
La première partie de notre travail est destimer les paramètres (ccients) de trans-
port de lequation de convection-diusion (1.6), cest-à-dire le ccient de diusion avec
son anisotropie et la porosite accessible à la diusion.
Un des objectifs de la thèse consiste donc à developper un outil numerique destimation
de paramètres (problème inverse) de transport à lechelle metrique. Ce travail necessite
dans un premier temps de realiser une etude bibliographique des methodes de resolutions
applicables pour lidentication des paramètres hydrauliques et de transport dun milieu
poreux. Laccent sera mis en particulier sur les dierentes methodes doptimisation dans
le cadre de methodes deterministes. Dans un second temps, il sagit de mettre en uvre
loutil proprement dit de resolution de problèmes inverses. Le milieu geologique pourrait
presenter une zone endommagee avec variation des paramètres de porosite et de diusion,
il faudra donc en tenir compte dans la modelisation du domaine.
Nous formulerons tout dabord le problème inverse de fa con theorique en ecrivant
lequation adjointe de lequation de transport. La specicite du travail sera dutiliser la
technique de zonation qui consiste à considerer le milieu comme un ensemble de zones
homogènes, pour chacune desquelles les ccients seront estimes
. Lapproche choisie
pourra etre appliquee à des experiences dans des milieux dont lechelle despace peut etre
très dierente. La zonation, dans le cas de lexperience DIR, devra prendre en compte la
zone endommagee par le forage. La demarche adoptee consistera en premier lieu à identier
les ccients dans des zones xees à partir de mesures de concentrations. Pour cela, on a
developpe le code adjoint du code de diusion-convection.
1.4.2 Identication de zones
Après avoir considere que la structure du milieu etait connue dans la partie I (esti-
mation des paramètres), la seconde partie du travail consiste ` a essayer didentier cette
structure, cest-à-dire de denir des zones du domaine o` u les paramètres de transport iden-
ties peuvent etre consideres comme constants. Pour cela, on essaye de deplacer les zones
et eventuellement den creer de nouvelles. Cette approche est particulièrement interessante
(tant sur le plan scientique que sur le plan technique) car nous sommes confontes à ce type
de conguration dans la pratique. Nous essayerons donc dans le chapitre 6, partant dune
conguration geologique inconnue, darriver à retrouver les zones ainsi que les paramètres
associes à cette zone.
Les outils developpes dans la partie identication de paramètres sont reutilises ici.
En pratique, nous identierons les ccients dans chaque maille ce qui nous permettra,
en regroupant les mailles o` u les paramètres peuvent etre consideres comme egaux, de
denir des zones et de verier quelles permettent dobtenir une solution coherente avec
les mesures. Comme cette methode requiert une valeur de paramètre par maille, nous
avons d u developper un preprocesseur pour passer de donnees par zones à des donnees par
maille.
1.4.3 Aspect implementation
Le code de resolution du problème de transport qui sert de base ` a ce travail est le logiciel
Traces [62] (Transport ReActif de Contaminant dans les Eaux Souterraines) ecrit essen-
tiellement en fortran 90. Nous utiliserons egalement la plate-forme de simulation Alliances
Il sagit là dun choix de representation du domaine detude. Il nest pas lie à la
formulation theorique du problème inverse.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1.5 Plan du memoire 13
dont le langage de programmation est en python. La plate-forme Alliances, developpee par
lAndra en partenariat avec le CEA et EDF, permet dexploiter pour la simulation des
ecoulements et du transport en milieu poreux, trois codes de calcul : Porow, Cast3m et
Traces (cf. chapitre 2, section 2.3). Notre choix sest porte sur Traces car ce code developpe
par lInstitut de Mecanique des Fluides et des Solides (IMFS) à Strasbourg et modie par
lAndra dans le cadre du projet Alliances est adapte à notre type de problème et disponible
en code source.
Il a cependant fallu complètement readapter ce code an de pouvoir dans un remier
temps le dierentier correctement avec le logiciel de dierentiation automatique Tape-
nade [92] developpe à lINRIA Sophia-Antipolis par lequipe Tropics. Tapenade est un
generateur automatique de code que nous presenterons plus longuement au chapitre 4. Les
changements et les ajouts operes dans le code sont nombreux : reecriture et transforma-
tion de certaines parties, implementation de la fonction co ut du problème inverse, creation
de chiers de donnees en binaire pour ne pas avoir derreur darrondis, programmation
des routines et des interfaces de resolution du problème destimation de paramètres et
didentication de zones, etc. Dans un second temps, nous avons ajoute des morceaux de
code an de faire le lien entre les dierents paramètres du programme : fonction co ut,
gradient et minimiseur. A cet eet, nous avons integre au code le minimiseur N2QN1 [69]
de telle sorte quune fois la fonction co ut calculee par Traces et le gradient calcule avec
Tapenade, ceux-ci sont directement injectes dans N2QN1 qui commence son processus de
minimisation. Un des avantages du code ainsi remanie est sa capacite à traiter aussi bien
le problème destimation de paramètres que le problème didentication de zones.
Nous avons egalement mis au point une interface avec Matlab permettant de traiter les
resultats et de recuperer des images et des lms de bonne qualite.
1.5 Plan du memoire
La première partie de ce memoire est consacree au problème direct du transport de
radionucleides en milieu poreux. Nous presentons (Chapitre 2) les modèles mathematiques
ainsi que les dierentes methodes numeriques employees. Nous introduisons egalement le lo-
giciel Traces et la plate-forme Alliances sur lesquels les calculs ont ete faits et nous exposons
les resultats des simulations. La seconde partie du travail est ensuite destinee à lestima-
tion de paramètres. Le Chapitre 3 est dedie à letude de lestimation des paramètres. Nous
rappelons tout dabord les principes de base du controle optimal, puis nous expliquons
en details la resolution theorique et numerique de notre problème inverse. Le Chapitre 4
presente les dierentes techniques de calcul des derivees et loutil de dierentiation auto-
matique Tapenade que nous avons utilise pour calculer le gradient de la fonction co ut. Le
Chapitre 5 traite les resultats numeriques obtenus dans cette partie sur des applications
aux problèmes de lAndra.
Nous nous penchons ensuite dans la troisième partie sur lidentication de zones. Dans
le Chapitre 6, nous rappelons dans un premier temps les methodes existantes pour liden-
tication de zones et dans un deuxième temps nous presentons la resolution du problème
de zonation sur les applications denies au Chapitre 2. Enn, le Chapitre 7 fait la synthèse
du travail accompli et ouvre des perspectives de recherche.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Chapitre 2
Modèles mathematiques et
numeriques
Sommaire
2.1 Les equations detat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1 Lequation decoulement . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.2 Lequation de transport . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Discretisation des equations . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1.1 Elements nis mixtes hybrides . . . . . . . . . . . . . . . . . . 17
2.2.1.2 Elements nis discontinus de Galerkin . . . . . . . . . . . . . . 18
2.2.2 Discretisation de lequation decoulement . . . . . . . . . . . . . . . . . 18
2.2.3 Discretisation de lequation de transport : le code Traces . . . . . . . . . 20
2.3 Plateforme de calcul Alliances . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.1 Denition & Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.2 Fonctionnement de la plate-forme . . . . . . . . . . . . . . . . . . . . . . 23
2.3.3 Maillages & Post-traitement . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.1 Le code Traces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 La plate-forme Alliances . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.1 Cadres et objectifs de notre travail . . . . . . . . . . . . . . . . . . . . . 27
2.5.2 Presentation des cas-tests . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5.2.1 Cas-test colis . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5.2.2 Cas-test reel . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Resolution du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.1 Cas-test colis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.2 Cas-test reel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
16 Chapitre 2. Modèles mathematiques et numeriques
Avant de presenter la resolution numerique des equations decoulement et de diusion-
convection, il convient de denir ce quon appelle par problème direct : on dit resoudre un
problème direct (par opposition au problème inverse, cf. section 3.1) lorsquon cherche
à determiner levolution du champ de concentration dans lequation (1.6) etant donnes les
conditions initiales et aux limites ainsi que les paramètres de porosite et de diusion D.
Cela revient donc à resoudre un problème au sens classique.
Dans le chapitre 1, nous avons presente le modèle mathematique des equations de
transport de radionucleides et decoulement en milieu poreux sature. Nous revenons dans
ce chapitre sur ces equations et nous presentons les modèles numeriques associes. Nous
necrirons pas ici les formulations variationnelles de ces equations, ce nest en eet pas le
but de notre etude.
Le chapitre est organise comme suit : nous rappelons tout dabord les equations detat
puis nous introduisons les schemas numeriques qui ont servi ` a la discretisation. Ensuite,
nous expliquons le fonctionnement de la plate-forme Alliances et du code Traces et nous
nissons par presenter le problème que nous considerons et exposer les resultats numeriques
du problème direct.
2.1 Les equations detat
2.1.1 Lequation decoulement
Le but de ce paragraphe est de presenter succinctement lequation decoulement an
davoir une bonne comprehension de lequation de transport. On sinteresse à un ecoulement
dans un milieu sature en eau, cest-à-dire dans lequel tous les vides sont remplis deau. Le
modèle mathematique de lecoulement est le suivant
_
_
s
h
t
+.q = f (2.1)
q = K.h (2.2)
o` u s est un ccient de stockage specique, h(x, t) la charge piezometrique, f(x, t) est un
terme source et K denote le tenseur de conductivite hydraulique. Lequation (2.1) exprime
la conservation de la masse deau et la deuxième equation (2.2) represente la loi de Darcy.
En deux dimensions, le tenseur K est de la forme
K =
_
_
K
xx
K
xy
K
xy
K
yy
_
_
. (2.3)
Etant donne que nous considerons un problème dhydraulique sature en regime perma-
nent, il sut de calculer une fois le champ de vitesse de Darcy avant de resoudre le problème
de transport seul. En pratique, on se donnera (cf. resultats numeriques du chapitre 5) di-
rectement un champ de vitesse pour lecoulement plutot que de resoudre lequation de
Darcy munie de conditions aux limites en charge hydraulique.
Remarque 2.1 En hydraulique transitoire, la vitesse de Darcy couple lhydraulique et le
transport.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2.2 Discretisation des equations 17
2.1.2 Lequation de transport
Les contaminants sechappant des colis sont dissous dans leau. Leur deplacement dans
la barrière ouvragee puis la barrière geologique est d u dune part au deplacement global de
leau, quantie par la vitesse de Darcy (du point de vue des contaminants, cest la vitesse
de convection) et dautre part au phenomène de diusion qui exprime la tendance des
concentrations dissoutes à devenir homogènes. Le rapport entre la vitesse de diusion des
contaminants et le gradient de concentration est le tenseur de diusion, qui est la somme
dun tenseur de diusion moleculaire (scalaire) dependant de la nature du contaminant
considere et dun tenseur de diusion (plein) dependant de la vitesse de Darcy. Le transport
dun polluant depend en premier lieu des caracteristiques de lecoulement qui le transporte.
Une approximation precise du champ de vitesse est donc necessaire.
Comme annonce dans lintroduction, nous utiliserons un modèle simplie
: on ne tien-
dra pas compte de la liation, les equations pour les dierents types de radionucleides seront
donc independantes. On considerera egalement des radionucleides qui ne precipitent pas
(par exemple lIode 129). Si lon ne considère quun seul radionucleide, lequation a la forme
suivante
(RC)
t
.(D.C q C) + RC Q = 0. (2.4)
Le tenseur de diusion D sexprime comme la somme dun terme de diusion moleculaire
eectif D
e
et dun terme D
dependant de la vitesse de Darcy

D = D
e
+ D
(2.5)
avec D
e
= D
m
, D
m
est le ccient de diusion moleculaire et D
secrit en deux dimen-

sions sous la forme
D
=
_
_
_
_
_
T
[[q[[ + (
L
T
)
q
2
x
[[q[[
(
L
T
)
q
x
q
y
[[q[[
(
L
T
)
q
x
q
y
[[q[[

T
[[q[[ + (
L
T
)
q
2
y
[[q[[
_
_
_
_
_
(2.6)
avec
L
la dispersivite longitudinale et
T
la dispersivite transversale. Dans les applica-
tions numeriques, on ne prendra pas en compte linuence de la vitesse de Darcy i.e. la
matrice D
sera nulle. La matrice de diusion sera donc reduite au ccient de diusion

moleculaire eectif.
2.2 Discretisation des equations
2.2.1 Introduction
2.2.1.1 Elements nis mixtes hybrides
Lidee de base des methodes mixtes (EFM) est dapprocher simultanement la fonction
detat et son gradient. Elles ont ete presentees pour la première fois par Meissner [78].
Les resultats de la thèse sappliquent sans problème au modèle prenant en compte la

liation.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Lelaboration mathematique et numerique a ete realisee par Raviart & Thomas [83] et
Thomas [95].
Avec la methode des EFM associee à un espace de Raviart-Thomas de plus bas degre,
on aboutit à un système matriciel symetrique mais non-deni positif. Pour remedier à cet
inconvenient, une nouvelle formulation a ete introduite : la methode des elements nis
mixtes hybrides (EFMH). Le système matriciel est transforme en un système matriciel
symetrique deni positif dont les inconnues sont des multiplicateurs de Lagrange. Ils sont
introduits pour realiser lhybridation et sinterprètent comme des traces de la fonction
detat sur les aretes (resp. les faces) des elements en 2D (resp. en 3D). Pour plus de
precisions, on peut se referer aux travaux de Nedelec [79], Brezzi & Fortin [24] et Arnold &
Brezzi [10], à Farhloul & Serghini Mounim [49] pour une formulation EFMH des equations
de convection-diusion et enn à Roberts & Thomas [85] pour une vision globale de la
question.
2.2.1.2 Elements nis discontinus de Galerkin
En 1973, Reed & Hill [84] introduisent la première methode discontinue de Galerkin
(EFDG) pour les equations hyperboliques. Depuis cette date, il y a eu un developpement
constant des methodes de Galerkin qui a permis la mise au point dun grand nombre
de methodes pour les problèmes hyperboliques et assimiles. Dans les annees 1970, et
independamment des travaux de Reed & Hill, des methodes de Galerkin utilisant des
elements nis discontinus ainsi que de nombreuses variantes furent proposees et etudiees
pour la resolution des equations paraboliques et elliptiques. Ces methodes sont generalement
appelees interior penalty methods (IPM) et leur developpement est reste independant des
methodes de Galerkin pour les equations hyperboliques.
Concernant les EFDG, on peut mentionner les travaux de Arnold et al [11], Brezzi et
al [25], le livre de Thomee [96] et le papier de Cockburn et al [42] evoquant levolution des
methodes EFDG et leur interaction avec les volumes nis.
Pour les equations dadvection-diusion, on peut se referer à Siegel et al. [88] pour une
solution utilisant une combinaison delements nis discontinus et delements nis mixtes.
2.2.2 Discretisation de lequation decoulement
Lequation du ux a ete discretisee à laide des EFMH. Elle est donnee naturellement
en formulation mixte : elle couple lequation de la conservation de masse (2.1) avec la loi de
Darcy (2.2). La formulation mixte est particulièrement appropriee pour ce modèle, car elle
donne une approximation directe de la vitesse de Darcy. En eet, notre interet nest pas
dans la charge h mais dans la concentration C, et dans lequation du transport qui donne
la concentration, cest la vitesse de Darcy q qui intervient et non pas la charge. La methode
des dierences nies et les methodes classiques delements nis donnent, en premier lieu,
une approximation de la charge qui est dans un second temps dierentiee pour donner
lapproximation de la vitesse de Darcy qui est utilisee dans lequation du transport. Cette
dierentiation est une source derreur et la precision est reduite. La methode delements
nis mixtes-hybrides produit non seulement lapproximation de la pression et de la vitesse
mais aussi une approximation de la trace de pression sur les interfaces du maillage. Grace
à cette methode, nous disposons de la trace de la pression aussi bien que la trace normale
de la vitesse sur les interfaces entre les sous-domaines.
Pour resoudre le problème decoulement, nous utilisons (comme pour le problème de
transport) le code de calcul Traces [62] que nous presentons dans la section 2.2.3.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Schemas numeriques
Les EFMH utilises dans le code de calcul Traces sont denis par les fonctions de base
de lespace Raviart-Thomas de plus bas degre (ordre 0). Pour un element E de nb cotes,
les fonctions de base w
i
sont denies de manière generale par
_
E
j
w
i
.n
E
j
dx =
ij
, j = 1, ..., nb (2.7)
o` u E
j
est le cote de lelement E, n
E
j
est le vecteur sortant normal à E
j
. On denit par q
E
la vitesse de Darcy dans lelement E et on a
q
E
(x) =
nb
j=1
Q
E
j
w
j
(2.8)
o` u Q
E
j
represente le ux à travers chaque cote de lelement E, les ux sortants etant
de signe positif. On discretise maintenant la loi de Darcy et lequation de conservation
separement et ensuite par substitution, on construit un systeme dequations ayant la charge
moyenne par cote pour inconnues principales.
La loi de Darcy est ecrite de la manière suivante
K
1
E
.q
E
= h, avec K
E
=
_
_
K
x
K
xy
K
xy
K
y
_
_
(2.9)
o` u K
E
represente le tenseur de conductivite hydraulique (en 2D). On ecrit ensuite (2.9)
sous forme variationnelle
_
E
(K
1
E
q
E
).w
i
dx =
_
E
h.w
i
dx (2.10)
et en utilisant les proprietes des fonctions de base, (2.10) devient
nb
j=1
Q
E
j
_
_
E
w
i
.(K
1
E
.w
j
) dx
_
= h
E
Th
E
i
(2.11)
o` u h
E
est la charge moyenne dans la maille E et Th
E
i
la charge moyenne sur le cote i. On
denit la matrice B de la fa con suivante
B
E
ij
=
_
E
w
i
.(K
1
E
.w
j
) dx. (2.12)
On peut alors reecrire (2.11) sous forme matricielle
nb
j=1
B
E
ij
Q
E
j
= h
E
Th
E
i
. (2.13)
Les ux à travers chaque cote sont donnes par
Q
E
i
=
nb
j=1
B
1
E
ij
(h
E
Th
E
i
). (2.14)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Lequation de conservation de la masse (2.1) est ecrite sous forme integrale
_
E
_
s
h
t
.q f
_
dE = 0, (2.15)
soit [E[s
E
h
E
t

nb
j=1
Q
E
j
F
S
E
= 0 (2.16)
o` u [E[ est laire de lelement E, s
E
est lapproximation de s et F
S
E
le terme source associe
à lelement E.
La continuite de la charge h et des ux entre deux elements adjacents E et E
est
assuree par
Th
E
i
= Th
E
j
(2.17)
Q
E
i
+ Q
E
j
= 0. (2.18)
Pour terminer le schema en espace, il reste à realiser lhybridation des equations. Les
dierentes etapes de substitution sont les suivantes :
1. les ux dans lequation de conservation (2.1) sont remplaces par leur expression
obtenue lors de la discretisation de la loi de Darcy (2.9),
2. la charge moyenne h
E
dans lelement est exprimee en fonction des charges moyennes
sur les cotes Th
E
i
(2.11) à partir de lequation de conservation,
3. les ux Q
E
j
sont remplaces par leur expression en charge (2.14) obtenue lors de la
discretisation de la loi de Darcy dans lequation de continuite des ux (2.18),
4. lequation en charge moyenne par cote est calculee en rempla cant la charge moyenne
par son expression obtenue à letape 2 dans lequation decrivant la conservation en
ux (2.16).
Remarque 2.2 Le discretisation ci-dessus est faite dans le cas 2D. Pour lavoir en 3D,
il sut de remplacer les termes cote par face et aire par volume.
En ce qui concerne le schema en temps, il est implicite sauf pour le terme de decroissance
o` u on utilise un -schema. Pour plus de precisons, on renvoie à Hoteit & Ackerer [62] et
aux thèses Andra de Vincent Martin [76] et Estelle Marchand [73] pour les formulations
mathematiques et numeriques des equations decoulements.
Lutilisation des elements nis mixtes hybrides permet
une denition a priori du champ de vitesse à laide des fonctions de base de lespace
de Raviart-Thomas,
un calcul simultane de la charge et du champ de vitesse,
dassurer la continuite des ux à travers les facettes,
lutilisation de maillage non structure (2D ou 3D).
La methode des elements nis mixtes hybrides donne, dans le cas de lhydrodynamique,
un calcul precis des champs de vitesse. Cependant, à maillage egal, son inconvenient est
un nombre dinconnues plus grand (une par facette).
2.2.3 Discretisation de lequation de transport : le code Traces
Loperateur de transport est la somme de plusieurs operateurs : la diusion-dispersion,
ladvection, la decroissance radioactive. La technique de separation doperateurs permet de
ramener le problème de transport à la resolution dune suite de problèmes correspondant à
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
chacun des operateurs. Ceci permet en particulier de discretiser dieremment ladvection et
la diusion-dispersion et dutiliser egalement des pas de temps dierents pour la diusion-
dispersion et pour ladvection de sorte que ces pas de temps correspondent à lechelle de
temps de ces dierents phenomènes.
Lequation (2.4) est linearisee par la methode du point xe de Picard ([19]) et coupee
en deux (splitting) comme ci-dessous :
_
_
R
n+1,k
adv
C
n+1,k+1
adv
R
n,k
adv
C
n,k
adv
t
_
= A(t, C
n,k
) (2.19)
C
n,k
dis
= C
n+1,k+1
adv
(2.20)
_
R
n+1,k
C
n+1,k+1
R
n,k
dis
C
n,k
dis
t
_
= B(t, C
n+1,k+1
) (2.21)
o` u k est lindice diteration, R
n
= R
n
(C
n
) (dans le cas o` u le ccient de retard nest pas
constant), A(t, C) = .(q C), B(t, C) = .(DC) RC et adv designe ladvection
et dis designe la dispersion. Le critère darret est donne par
_
_
_C
n+1,k+1
C
n+1,k
_
_
_
2
<
a
+
r
_
_
_C
n+1,k+1
_
_
_
2
(2.22)
o` u
a
( 10
16
) est lerreur absolue et
r
( 10
12
) lerreur relative.
Dans lequation (2.4), nous avons separe le ux de concentration en sa partie diusive
A(t, C) et en sa partie convective B(t, C). Cette separation permet dutiliser une methode
delements nis discontinus de Galerkin ou une methode EFMH pour A(t, C) alors que
B(t, C) sera obtenu par une methode EFMH (on construit un système dequations ayant
pour principales inconnues la concentration moyenne par arete). En general, on utilise un
schema implicite pour la partie diusive et le terme de decroissance radioactive, et un
schema explicite pour la partie convective, avec eventuellement des pas de temps dierents
pour ses deux parties (plus petits pour la partie convective).
Remarque 2.3 Dautres methodes de linearisation existent, par exemple la methode de
Newton, lavantage de la methode Picard reside dans sa simplicite.
Remarque 2.4 La separation doperateurs est egalement utile pour les problèmes o` u la
convection est importante.
Le code de simulation Traces [62] (Transport ReActif de Contaminant dans les Eaux
Souterraines) que jutilise a ete developpe par lInstitut de Mecanique des Fluides et des
Solides (IMFS) à Strasbourg et par lAndra. Ce programme, ecrit en Fortran 90, simule le
ux et le transport en milieu poreux sature. Le code Traces a ete integre dans la plate-forme
de calcul Alliances developpee par lAndra en partenariat avec le CEA et EDF. Traces est
base sur le schema numerique (2.19)-(2.20)-(2.21).
La version de Traces realisee à lIMFS utilisait un schema implicite pour la partie
diusive et le terme de decroissance, et un schema explicite pour la partie convective,
avec eventuellement des pas de temps dierents pour ces deux parties (plus petits pour la
partie convective). LAndra a ajoute un schema implicite base sur les elements nis mixtes
hybrides pour la partie convective. La formulation implicite pour la convection nous donne
des temps de calculs raisonnables.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Schemas numeriques
On rappelle ici les grandes lignes de la methode des EFDG pour la partie hyperbolique
C
t
= .(q C) (2.23)
de lequation (2.4).
La concentration C est approchee par un espace de fonctions bilineaires discontinues
E
i
C
E
(x, t) =
nn
i=1
C
i
E

i
E
(2.24)
o` u nn est le nombre de nuds de lelement E et C
i
E
la valeur de C au nud i dans E.
Lequation hyperbolique (2.23) est ecrite en formulation variationnelle
_
E
C
t

i
E
dx =
_
E
.(q C)
i
E
dx. (2.25)
On note par C
in
A
la variation lineaire de la concentration sur le cote A (A E, avec
E la frontière de E) à linterieur de lelement E et par C
out
A
la variation lineaire de C
sur A à lexterieur de E. La discretisation temporelle est dordre deux et est basee sur un
schema explicite simplie de Runge-Kutta. Pour chaque element E, les principales etapes
de resolution sont
Etape 1 : calcul entre
_
t, t +
t
2
_
E
C
n+1/2
E
C
n
E
t/2

E
dx =
_
E
q C
n
E
.
E
dx
AE
Q
E,A
_
A
C
in,n
A
[A[

E
d (2.26)
avec une fonction test sur E, Q
E,A
le ux à travers le cote A par rapport à sa normale
exterieure n
E,A
(sign(Q
E,A
) = sign(q.n
E,A
)) et [A[ est la longueur du cote A.
Etape 2 : calcul de

C
n+1
E
en utilisant les valeurs amont
_
E
C
n+1
E
C
n
E
t

E
dx =
_
E
q C
n+1/2
E
.
E
dx
AE
Q
E,A
_
A
C
in ou out,n+1/2
A
[A[

E
d (2.27)
Les ux convectifs sont calcules avec les valeurs amonts de C sur les cotes de A. Le
choix entre C
in
A
et C
out
A
depend du signe de Q
E,A
, avec C
in
A
pour un ux sortant.
Etape 3 : calcul de C
n+1
E
par stabilisation de la solution avec des limiteurs de pentes
Le schema numerique est stabilise avec des limiteurs de pentes multidimensionnels an
deviter les oscillations. Pour assurer lunicite de la solution, on impose à C
n+1
E
detre le
plus proche possible de

C
n+1
E
. Ainsi, an de determiner C
n+1
E
, on resout alors un problème
de minimisation à nn dimensions en utilisant la methode du point selle.
La solution obtenue verie le principe du maximum discret. La resolution en temps
etant explicite, le respect de la CFL est obligatoire.
Remarque 2.5 Tout comme pour les elements nis mixtes hybrides, la masse est conservee
localement.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2.3 Plateforme de calcul Alliances 23
2.3 Plateforme de calcul Alliances
2.3.1 Denition & Historique
Une plate-forme de simulation est un logiciel rassemblant tous les outils necessaires à
une simulation et capable deectuer le pre-traitement, les calculs et le post-traitement.
Le pre-traitement fait reference aux outils necessaires à la conception dun problème : la
geometrie et le maillage. La geometrie est denie via un logiciel de CAO (Conception As-
sistee par Ordinateur) tandis que le maillage est deni via un mailleur. Le post-traitement
fait reference aux outils necessaires à la visualisation et à lanalyse des resultats de la
simulation. Alliances (Atelier LogicieL dIntegration, dANalyse et de Conception pour
lEntreposage et le Stockage) a ete cree an de permettre letude du stockage et de len-
treposage des dechets radioactifs à des echelles de temps importantes. La plate-forme est
en constante evolution depuis sa creation en 2002 avec lajout continue de nouvelles fonc-
tionnalites et de nouveaux modules.
Alliances comprend de nombreux modules qui lui permettent de sappliquer dans des
dierents domaines :
hydraulique et transport ;
transport reactif et couplage thermique ;
thermo hydraulique multiphasique ;
thermo hydro mecanique des argilites ;
couplage colis environnement ;
couplage chimie mecanique ;
analyse dincertitude et de sensibilite probabiliste.
2.3.2 Fonctionnement de la plate-forme
Lutilisateur cherche à resoudre avec Alliances un problème donne, hydraulique ou
transport, avec un code numerique disponible dans la plate-forme. Pour cela, il devra
denir (i.e. mettre en route) trois objets distincts : un problème, un module et un
composant. La notion de composant est relativement simple : les composants sont les
representants des codes integres dans la plate-forme. Informatiquement parlant, ce sont
les interfaces python permettant de passer les donnees dun problème aux codes de calcul,
puis de lancer le calcul. Il y a actuellement trois codes integres dans Alliances pour traiter
les problèmes cites plus haut :
le code Castem (Cast3m) du CEA,
le code Porow qui est un code commercial vendu par la societe Acri,
le code Traces ecrit par lInstitut de Mecanique des Fluides et des Solides (IMFS)
de Strasbourg.
Chacun de ces codes est interface avec Alliances, via une interface implementee par code
et par problème. Dans une utilisation classique, la mise en route du composant de calcul
se fait via les modules. Les modules sont intercales entre les problèmes et les composants
et servent à presenter à lutilisateur une interface commune pour tous les composants
qui implementent la resolution du problème donne. Dans Alliances, on distingue deux
types de problèmes : ceux dont la resolution ne fait intervenir quun code de calcul et
ceux qui sont couples au sein dAlliances et qui font intervenir deux codes de calcul à
chaque iteration de chaque pas de temps dun calcul (problèmes dits couples) comme
les problèmes chimie-transport ou hydraulique-transport. Pour ces problèmes couples, les
modules realisent eectivement le couplage entre les composants (les codes). Tandis que
pour les problèmes non couples, les modules nagissent quen transferant les donnees depuis
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
le problème vers le composant choisi par lutilisateur.
Le modèle de donnees dAlliances est constitue des elements (entites) suivants :
Maillages et Champs qui regroupent les methodes et donnees dimportation et dechange
de maillage et de champs entre modules. Les maillages, les zones (appelees supports)
denies sur ces maillages ainsi que les champs de valeurs (champs de charge, pres-
sion ou concentration) sappuient sur la librairie Med de Salome. Alliances traite
aussi bien les maillages structures que non-structures. On peut egalement faire des
operations simples sur les champs.
Points, Vecteurs, Tenseurs et Tables, objets dechange pour les donnees independantes
dun maillage. Les Tables designent un ensemble de colonnes de valeurs, et sont très
utilisees pour denir par exemple des donnees physiques, sources, et/ou conditions
aux limites variables dans le temps. Les sorties de type ux ou evolutions en un point
sont recuperees sous forme de tables dans un problème instationnaire.
Donnees physiques : on se limitera à celles relatives aux etudes hydrauliques et de
transport generalise, elles sont regroupees en deux classes : les lois physiques et les
quantites physiques (scalaires, vecteurs, tenseurs),
Methodes et donnees de denition dun problème physique : type de problème, condi-
tions intiales et aux limites, materiaux, sources, sorties attendues, etc.
Fig. 2.1 Architecture dAlliances
2.3.3 Maillages & Post-traitement
Les maillages ont ete generes avec le logiciel Gmshwrapper [50] mis au point par Pierre-
Antoine Faure lors dun stage de Master sous la direction dAlain Dimier au sein de lAndra.
Ce logiciel encapsule en python le logiciel Open Source Gmsh. Il permet de generer un
chier de maillage au format Med, format cree par EDF à partir dune base HDF
.
Pour le post-traitement, nous avons utilise linterface Salome presente dans la plate-
HDF, Hierarchical Data Format : format developpe par le NCSA (National Center for Supercomputing
Applications) pour aider les scientiques à travailler et echanger des donnees graphiques ou numeriques.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2.4 Implementation 25
forme Alliances et egalement le logiciel scientique Matlab par lintermediaire de scripts
que nous avons crees.
2.4 Implementation
Denition 2.1 On designe par variables dentrees du code les arguments du programme
informatique dont la valeur est connue avant lexecution de cette routine.
Denition 2.2 On designe par variables de sorties du code les arguments du programme
informatique dont la valeur est modiee après lexecution de celle-ci.
Denition 2.3 On appelle routine un morceau de programme compose de fonctions (en-
semble dinstructions realisant une certaine t ache).
2.4.1 Le code Traces
Traces a ete integre à la version 1.2 de la plate-forme de calcul en novembre 2004.
Pour lancer lexecutable Traces à partir dun terminal, il faut preciser en entree deux
arguments : le nom du chier de maillage et le type de calcul demande (hydraulique,
transport, hydraulique + transport, hydraulique transitoire). Lecriture dun script python
quon lance au sein de la plate-forme Alliances reste le moyen le plus simple de generer les
chiers dentrees.
Larchitecture de Traces est la suivante (cf. gure ci-dessous) : le programme princi-
pal se nomme traces, il appelle la routine traces0 qui, en fonction du type de calcul
demande, appelle soit la routine comp hydro pour resoudre lhydraulique soit la routine
comp trans qui elle-meme appelle la routine comp specie an de resoudre le problème
de transport pour chaque espèce.
TRACES
TRACES0

COMP TRANS
COMP HYDRO
COMP SPECIE
Fig. 2.2 Architecture de Traces
La version de traces0 fournie par lAndra faisait la boucle en temps et procedait ` a
lecriture des sorties dans des chiers. An de faciliter la dierentiation automatique du
code Traces (cf. chapitre 4) et de limiter les sources derreurs, nous avons separe la routine
principale traces0 en plusieurs routines : traces0 ne fait plus que la boucle en temps
(partie calculatoire), onetimestep fait le calcul sur un pas de temps et calcul traces fait
la partie lecture/ecriture de chiers. Nous avons rajoute la routine fct cout qui calcule la
fonction co ut et nous designons par cost la valeur de la fonction co ut (variable de sortie
du code).
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
TRACES
TRACES0

ONETIMESTEP
FCT COUT
FCT COUT
Fig. 2.3 Structure du chier traces0.f90
Dautres chiers que nous ne presentons pas ici ont egalement ete modies an davoir
une version de Traces plus adaptee pour la partie dierentiation automatique du code
(chapitre 4).
Remarque 2.6 La routine fct cout est appelee deux fois dans traces0 car la fonction
co ut (3.2) associee au problème inverse (3.1) est la somme de deux termes : un terme
correspondant à lintegration en temps et un terme correspondant à linstant nal.
2.4.2 La plate-forme Alliances
En general, les dierents arguments constituant un problème sont denis au prealable,
pour plus de lisibilite du script notamment. Un ordre raisonnable de denition de ces
donnees est le suivant :
1. denition des espèces (en transport) ;
2. denition des donnees sur les espèces (en transport) : la decroissance/liation ;
3. denition des paramètres materiaux (intrinsèques et materiaux/espèces) ;
4. creation des materiaux ;
5. chargement du maillage ;
6. recuperation des zones et des frontières ;
7. creation des regions (association zones/materiaux) ;
8. specication du type de problème ;
9. denition des conditions initiales ;
10. denition des conditions aux limites ;
11. denition des instants de calcul ;
12. denition des sources (sil y a lieu) ;
13. denition des sorties attendues (concentration, ux, etc.) ;
14. creation du problème dhydraulique en sature ou du problème de transport generalise
en passant lensemble des donnees en argument.
2.5 Position du problème
Nous allons maintenant preciser les caracteristiques physiques et la geometrie des do-
maines consideres an de formuler un modèle complet pour la simulation du transport
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2.5 Position du problème 27
de radionucleides. Le modèle choisit par lAndra pour le dossier 2005 ([8]) a valide lap-
proximation du milieu et du stockage par des couches horizontales, on se limitera donc
à une description bidimensionnelle du problème. Lobjectif etant de caracteriser un com-
portement global et de valider une approche theorique sur ce comportement, la geometrie
envisagee est simpliee en negligeant certains details de linstallation (galeries, alveoles,
puits, etc.) et du milieu geologique.
2.5.1 Cadres et objectifs de notre travail
Comme nous lavons explique dans le chapitre 1, lAndra etudie la possibilite de stocker
les dechets nucleaires de haute activite (HA) et de moyenne activite à vie longue (MA-VL)
en couche geologique profonde. Le laboratoire de Bure dans la Meuse/Haute Marne, dont
la conguration du sous-sol est donnee par la gure 2.4, a ete cree dans ce but. La couche
argileuse du Callovo-Oxfordien (Cox), situee à 500 m de profondeur et mesurant 130 m
depaisseur, est susceptible daccueillir le stockage.
Fig. 2.4 Representation du milieu geologique
An detudier levolution dun stockage et de son environnement sur des echelles de
temps hors du champ de lexperience (jusquà plusieurs centaines de milliers dannees), il
convient dutiliser des outils adaptes tels que la simulation numerique. Levaluation de la
s urete du stockage sappuie notamment sur la simulation des ecoulements et du transport
de radionucleides dans le milieu geologique. Lobjectif de ce travail est de pouvoir appliquer
les resultats obtenus dans cette thèse à lexperience DIR. Dans ce but, nous avons deni
des cas-tests en liaison avec les equipes de lAndra an de valider les methodes utilisees.
Dans cette optique, nous avons mis au point avec les equipes de lAndra, deux cas-tests 2D
correspondant à des situations physiques realistes que nous presentons dans le paragraphe
suivant.
2.5.2 Presentation des cas-tests
Le radionucleide considere est liode 129 dont la periode radioactive est de 15,7 millions
dannees et le ccient de decroissance radioactive vaut = log(2)/1, 57.10
7
an
1
. La
gamme de valeur des paramètres associee à liode pour le Cox est presentee dans le tableau
ci-dessous.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
D (m
2
/s)
L
(m)
T
(m) R
Callovo-Oxfordien 5.10
12
7 0,7 0,05 1
Tab. 2.1 Ccients pour lIode 129
Les paramètres de porosite et de diusion sont denis par zones o` u ils sont consideres
comme constants, on dit que la variabilite spatiale des paramètres du système est pa-
rametree par zones.
La geometrie du premier cas-test, appele cas-test colis, est representee sur la gure
2.5 : il modelise un colis contenant des radioelements (
2
) place dans une couche geologique
(
1
). Le second, appele cas-test reel (car proche de lexperience DIR), peut modeliser le
sous-sol du laboratoire de Bure : le trou representant le forage (cf. gure 2.6), le domaine
2
le colis, le domaine
3
la zone endommagee par le forage et la zone
1
la roche. Les
valeurs des paramètres sont donnees par le tableau 2.2 : partie gauche pour le cas-test
colis et partie droite pour le cas-test reel.
D (m
2
/an) R
1
9,5.10
7
0, 3 1
2
2.10
4
10
3
1
D (m
2
/s) R
1
10
11
0,2 1
2
10
6
10 1
3
10
10
0,3 1
Tab. 2.2 Ccients de diusion/dispersion, de porosite et de retard
La valeur de la porosite dans
2
(zone dinjection) pour le cas-test reel a volontai-
rement ete xee à une valeur elevee an de rendre disponible très rapidement les radio-
nucleides à la frontière de la zone endommagee.
2.5.2.1 Cas-test colis
Le domaine est decoupe en deux zones et mesure 60 m de longueur par 40 m de
largeur. La zone
2
mesure 20 m de longueur par 10 m de largeur. Les valeurs de diusion
ont ete choisies proches de la valeur reelle du Callovo-Oxfordien pour
1
et proche des
valeurs des couches geologiques voisines du Callovo-Oxfordien pour
2
(cf.tableau 2.1).
On impose un ux (non nul) sur la fontière
D
et une concentration initiale nulle dans
2
.
Dans la suite, on calculera les valeurs de concentration dans le colis à tous les pas de
temps et sur la droite (en pointillee rouge sur la gure 2.5) à linstant nal pour calculer
la fonction co ut du problème inverse. Les valeurs de sorties du code seront par la suite
considerees comme des mesures (donnees) pour lidentication.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2.5 Position du problème 29
N

N
Flux impose sur
D
q
D
= 10
16
(mol/an)
Fig. 2.5 Representation du domaine (60 m 40 m)
2.5.2.2 Cas-test reel
La gure 2.6 donne la geometrie du domaine du cas-test reel. Le choix de la geometrie
est totalement en accord avec la gure 2.7 qui montre une partie du dispositif experimental
(la chambre de diusion) de lexperience DIR. Le domaine est divise en trois zones et
mesure 0, 4 m de longueur par 2 m de largeur, la zone
2
mesurant 8 cm de longueur par
10 cm de largeur et
3
ayant une largeur de 2 cm. Les droites
i
, i = 1, ..., 3 (en poin-
tillees rouges sur la gure 2.6) representent les endroits o` u la concentration sera mesuree à
linstant nal pour calculer la fonction co ut de notre problème inverse. Les sorties du code
seront (comme pour le cas-test colis) considerees comme des mesures pour le problème
didentication.
Fig. 2.6 Representation du domaine (0,4 m
2 m)
Fig. 2.7 Chambre de diusion
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Nous avons traite seulement le cas 2D alors que la geometrie du vrai problème est en
3D (axisymetrique). Cependant, cela ne remet pas en cause la demarche adoptee mais cela
nous a permis de gagner du temps calcul.
2.6 Resolution du problème
Dans les applications qui suivent, la vitesse de Darcy est nulle. On aura donc à resoudre
un problème de diusion pure (pas de convection). La geometrie et les dimensions des deux
cas-tests sont denis à la section 2.5.2.
2.6.1 Cas-test colis
On note la frontière de et on a =
N

S
D
(cf gure 2.5). On impose un
ux de 10
16
mol/an sur la frontière
D
et le terme source Q de lequation (1.6) est nul.
Les conditions initiales et aux limites sont les suivantes
_
C(t = 0, x) = 0 sur
1
C(t = 0, x) = 0 sur
2
(2.28)
_
_
C(t, x) = 0 sur
N
DC(t, x).n = 0 sur
S
DC(t, x).n = 10
16
sur
D
(2.29)
Le domaine a ete maille avec gmsh, il contient 2742 elements (gure 2.8) dont 2500
triangles ou quadrangles pour la grande zone (
1
) et 242 rectangles pour le colis (
2
).
Fig. 2.8 Domaine maille avec 2742 elements
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2.6 Resolution du problème 31
La simulation sest deroulee sur 1000 ans avec des pas de temps dune demi-annee. On
peut voir le resultat de la simulation sur la gure 2.9. Les ccients de diusion etant
assez faibles, la diusion dans la zone du colis nest pas très importante : on voit en eet
que la concentration na pas complètement atteint le haut du colis.
Fig. 2.9 Visualisation de la concentration obtenue avec Salome à linstant nal
2.6.2 Cas-test reel
On denit =
1

2

3
et = . On prend comme conditions initiales et aux
limites
_
C(t = 0, x) = 0 sur
1

3
C(t = 0, x) = 1 sur
2
(2.30)
DC(t, x).n = 0 sur (2.31)
Le problème etant symetrique, nous le resolvons uniquement sur la moitie du domaine
qui a ete maille avec 1996 elements. On prend le terme source Q nul dans lequation (1.6)
et on part dune concentration de 1 mol/m
3
dans la zone dinjection
2
quon laisse evoluer
sur 1000 jours (pas de temps dune demi-journee). On peut voir le resultat sur la gure
2.10 : la concentration a legèrement diminue dans le colis mais elle a cependant atteint le
bord droit du domaine.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Fig. 2.10 Visualisation de la concentration obtenue avec Matlab à linstant nal
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2.6 Resolution du problème 33
Les prols 3D de concentration (gures 2.11, 2.12 et 2.13) representent levolution au
cours du temps de la concentration sur les trois droites
i
, i = 1, ..., 3 : sur laxe des z
nous avons les valeurs de concentration, sur laxe des abscisses nous avons le temps et sur
laxe des ordonnees nous avons la première composante despace x pour les gures 2.11 et
2.12 et la deuxième composante despace y pour la gure 2.13. Le temps est represente à
chaque pas de temps dune demi-journee, la concentration evolue donc de t = 0 à t = 1000
jours ce qui correspond à la numerotation de 0 à 2000 sur les gures. On a egalement
represente la solution sur tous les pas de temps despace (de longueur 0,2 cm) du maillage,
la composante x pouvant aller de 0 à 0,2 m et la composante y de 0 à 2 m (cf. section
2.5.2.2). Les prols horizontaux (cf. gure 2.6) vont du bord droit du colis au bord droit
du domaine (de 0,04 à 0,2 m) et le prol vertical (cf. gure 2.6) va du bord du colis au bas
du domaine (de 1,1 à 0 m).
Sur les gures, on voit bien la decroissance exponentielle de la diusion qui est plus ou
moins forte suivant les zones (les changements de pente correspondent aux changements de
zones). Ces resultas sont bien en accord avec la physique et avec ce quon pouvait attendre.
Fig. 2.11 Prol de concentration sur la ligne horizontale
1
dequation y = 1
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Fig. 2.12 Prol de concentration sur la ligne horizontale
2
dequation y = 0, 9
Fig. 2.13 Prol de concentration sur la ligne verticale
3
dequation x = 0
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Chapitre 3
Etude du problème inverse
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.1.1 Etat de lart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.1.2 Cadres et objectifs de notre travail . . . . . . . . . . . . . . . . . . . . . 37
3.1.2.1 Les objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.2.2 Les donnees à notre disposition . . . . . . . . . . . . . . . . . . 37
3.1.2.3 Identiabilite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Etude theorique du problème inverse . . . . . . . . . . . . . . . . . . . 38
3.2.1 Rappels de contr ole optimal . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.2 Le modèle lineaire tangent . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.3 Introduction de letat adjoint . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.3.1 Approche lagrangienne . . . . . . . . . . . . . . . . . . . . . . 40
3.2.3.2 Approche linearisee . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.3.3 Regularisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.4 Obtention formelle de lequation de transport adjointe . . . . . . . . . . 43
3.2.4.1 Cas-test colis . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.4.2 Cas-test reel . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Etude numerique du problème inverse . . . . . . . . . . . . . . . . . . . 52
3.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.2 Le code adjoint . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.3 Rappels sur les methodes doptimisation . . . . . . . . . . . . . . . . . . 53
3.3.4 Description de lalgorithme de minimisation . . . . . . . . . . . . . . . . 54
3.3.5 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
36 Chapitre 3. Etude du problème inverse
Avant de presenter les methodes de resolution des problèmes inverses, il convient de
denir ce quon appelle par problème inverse : on dit resoudre un problème inverse
(par opposition au problème direct, cf. chapitre 2) lorsquon cherche à determiner les
paramètres de porosite et de diusion D dans lequation (1.6) connaissant les conditions
initiales et aux limites ainsi que les valeurs de concentrations.
Dans ce chapitre, nous rappelons dans un premier temps les dierentes methodes de
resolution des problèmes inverses et les bases du controle optimal avant decrire formelle-
ment les equations de transport adjointes. Dans un second temps, nous passons à letude
numerique du problème inverse.
Dans toute la suite, on note = (
1
, ... ,
p
), D = (D
1
, ... , D
p
) et K = (, D) le vecteur
des paramètres. On pose N = 2p.
3.1 Introduction
3.1.1 Etat de lart
Une litterature abondante existe sur la resolution des problèmes inverses, on peut citer
louvrage de synthèse [21] qui fait suite à un travail à lObservatoire Fran cais des Techniques
Avancees et en particulier le chapitre Des apports du controle optimal de Jacques Blum.
Un workshop a egalement ete organise en novembre 2002 pour faire letat de lart sur le
thème Problèmes inverses et analyse dincertitudes dans le cadre du GNR MoMaS avec
les partenaires de lAndra et du CEA
.
On peut egalement se referer à Kern [65] pour une approche generale sur les problèmes
inverses, aux travaux de Mc Laughlin et Townley [77] pour les methodes dinversion, Sun
[90] pour des problèmes inverses en milieu poreux et De Marsily et al [45] pour les problèmes
inverses en hydrogeologie et Chavent et al. [37] pour une estimation des permeabilites rela-
tives en milieu poreux. Il faut mentionner Cartalade et al [30] dans le cadre de lestimation
des paramètres de transport ou de diusion en milieu poreux et dans lapproche par reseaux
de neurones pour lidentication des ccients de diusion [29]. Enn citons Clement et
al [41] pour lanalyse de sensibilite de la solution de lequation aux derivees partielles
par rapport aux ccients à estimer à laide de lalgorithme de decomposition en valeurs
singulières.
Pour resoudre notre problème inverse, on utilisera des methodes deterministes ou encore
methodes variationnelles basees sur la minimisation dun critère en general quadratique.
Ces methodes trouvent leur fondement mathematique dans la theorie du controle optimal
de Lions [70], appliquee à lestimation de paramètres comme dans Chavent [33]. Il existe
aussi des methodes de type probabilistes pour resoudre un problème inverse comme ex-
pose dans Tarantola [93]. Quelle que soit la methode de resolution employee, la solution
est obtenue en utilisant une approche identique. En eet, un critère est souvent deni pour
mesurer la dierence entre valeurs calculees et valeurs mesurees : lobjectif est de trou-
ver lensemble des paramètres qui minimisent le critère. Il reste à choisir une technique
appropriee pour minimiser la fonction co ut. De nombreuses approches existent pour faire
une telle minimisation ([23, 40, 61] et cf. section 3.3) : nous avons choisi dutiliser des
algorithmes qui requièrent le calcul du gradient (derivees de la fonction co ut par rapport
aux paramètres).
Nous pouvons souligner que les methodes inverses dependent du type de parametrisation
choisie pour caracteriser les paramètres à identier dans le problème direct. Dans le cas
http://www.gdrmomas.org/Activites/2002/Documents/WORKSHOP control.doc
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
3.1 Introduction 37
de lidentication de paramètres, plusieurs methodes peuvent etre utilisees : methode de
zonation (o` u lon suppose les ccients constants par zones), methode dinterpolation (ap-
proximation polynomiale), etc. Dans notre cas, la representation du milieu geologique nous
a amene à parametrer le système par zones. Ce choix est raisonnable puisque le système est
naturellement parametre par zones. La meme methode sapplique dans le cas des strates
geologiques en milieu naturel [26] o` u lon pourra envisager une zonation horizontale (cf.
gure 2.4).
3.1.2 Cadres et objectifs de notre travail
Nous devons faire des simulations du transport des radionucleides an de determiner
limpact dune eventuelle propagation de ces elements dans le sous-sol. La modelisation de
lecoulement et du transport en milieu poreux autour du stockage exige de connatre les
paramètres physiques des dierents couches geologiques. Parmi ces paramètres, la porosite
et la diusion ne sont pas directement accessibles par des mesures, cest pourquoi nous
devons resoudre un problème inverse pour les identier.
3.1.2.1 Les objectifs
La première partie de notre travail est destimer les ccients de transport à partir de
mesures de concentration. La specicite de lapproche choisie est dutiliser la technique de
zonation qui consiste à considerer le milieu comme un ensemble de zones homogènes, pour
chacune desquelles les ccients seront estimes. Cette approche pourra etre appliquee à
des experiences dans des milieux dont lechelle despace peut etre très dierente. Le forage,
dans le cas de lexperience DIR et du cas-test reel, implique bien s ur une identication
des ccients à la fois dans la zone endommagee et dans la zone saine. Dans un premier
temps, on commencera par identier les ccients dans des zones xees. Pour cela, on a
ete amene à developper le code adjoint du code de diusion-convection. En eet, le code
adjoint nous donnera accès au gradient de la fonction co ut dont nous avons besoin dans la
resolution du système doptimalite (cf. paragraphe 3.2.3). Dans un deuxième temps, on se
preoccupera de deplacer les zones et eventuellement den creer de nouvelles (cf. chapitre
6).
3.1.2.2 Les donnees à notre disposition
Experiences jumelles
Nous allons travailler sur des donnees synthetiques : on choisit tout dabord des valeurs
precises pour le ccient de diusion et la porosite et on calcule la concentration qui
en resulte (note C
obs
) en resolvant le problème direct. Ensuite, on cherche à retrouver ces
ccients à partir des valeurs de concentration observees. Lavantage de cette methode
est que lon peut comparer la porosite et le champ de diusion obtenus par la methode
inverse avec la porosite et le champ de diusion initiaux (qui sont en pratique inconnus)
ce qui permettra de valider les methodes utilisees.
Dans les deux cas-tests qui nous interessent, les donnees de concentration observees
sont de deux types : des mesures de concentration recueillies dans la chambre dinjection
tout au long de lexperience ainsi que des mesures obtenues au temps nal.
3.1.2.3 Identiabilite
La question se pose toujours, de fa con theorique et pratique, de savoir si les mesures
sont susantes pour estimer les paramètres que lon cherche et comment lincertitude sur
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
les mesures se repercute sur les paramètres estimes. Les questions de stabilite et didenti-
abilite sont donc au cur de lestimation de paramètres et sont intimement liees au choix
de la parametrisation. Nous avons realise de nombreuses simulations dans le chapitre 5
pour essayer dy repondre.
3.2 Etude theorique du problème inverse
Dans ce chapitre, nous presentons le problème inverse didentication de paramètres en
milieu poreux pour une equation de convection-diusion. Nous chercherons la solution dun
problème type controle optimal connaissant une distribution de la solution en dierents
points de lespace et du temps. A cet eet, nous ecrirons lequation adjointe de (1.6).
Letat adjoint permettra alors de determiner le gradient dune fonction co ut denie en
fonction des paramètres à identier. Les observations seront generees par le modèle direct
(on parle de donnees synthetiques) ce qui permettra, connaissant les valeurs des ccients
à identier, de valider les methodes utilisees.
Notre problème inverse se formulant comme un problème doptimisation (cf. section
3.1), nous rappelons ici les grandes lignes de la theorie du controle optimal qui nous servira
par la suite.
3.2.1 Rappels de controle optimal
Principe
Dans la theorie du controle optimal, le modèle peut etre decrit par une equation
devolution non lineaire (ce modèle peut etre la version discretisee en espace, par la methode
des dierences nies par exemple, dun modèle dequation aux derivees partielles) de la
forme
_
_
_
dC
dt
= F(C(t), K), t [0, T], C H
C(0) = U
(3.1)
o` u C est la variable detat appartenant à un espace de Hilbert H (H L
2
(0, T; R
m
)), K le
vecteur des paramètres appartenant à un espace de Hilbert /, F un operateur dierentiel
non lineaire de H / dans H quon supposera (en general) dierentiable. On supposera
que lensemble de paramètres admissibles T est un espace de Hilbert et que T = /. On
designe par O lespace de Hilbert des observations. On ne precise pas plus les espaces
fonctionnels associes (ce nest eectivement pas le but de letude). Lors des applications
numeriques, O sera necessairement un espace de dimension nie. Nous supposons que pour
K / et C H xes, le problème de Cauchy (3.1) admet une solution unique C = C(K).
Nous devons tenir compte des mesures qui sont à notre disposition, nous les represente-
rons par une application lineaire, notee M
1
(appelee operateur dobservation) de notre
fonction detat C à valeurs dans O pour la partie temporelle de la fonction co ut et par une
application lineaire, notee M
2
(appelee operateur dobservation à linstant nal) de notre
fonction detat C à valeurs dans | pour le terme portant sur lintant nal. On denit une
fonction co ut J de T dans R (ou critère derreur) qui calcule lecart entre solution calculee
par le modèle (3.1) dune part et une observation temporelle C
o
O [0, T] et une
observation au temps nal C
b
nal
| dautre part
J(K) =
_
T
0
|M
1
C C
o
|
2
O
dt +
_
_
M
2
C(T) C
b
nal
_
_
2
U
(3.2)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
3.2 Etude theorique du problème inverse 39
o` u |.|
2
est la norme euclidienne usuelle et , des ccients reels generalement appeles
poids. La fonction co ut J contient
un terme
_
T
0
|M
1
C C
o
|
2
O
dt o` u les valeurs de concentration sont calculees dans
un domaine donne à plusieurs instants,
un terme
_
_
M
2
C(T) C
b
nal
_
_
2
U
o` u les valeurs de concentration sont prises à linstant
nal.
On pose alors le problème de controle optimal suivant :
Problème 3.1 Trouver K
= (
, D
) T tels que
J(K
) = Inf
KP
J(K) (3.3)
o` u J est donne par (3.2) et C est associe à K par (3.1).
Remarque 3.1 Sans hypothèses sur loperateur F et sur loperateur dobservation M
1
,
loptimum K
peut ne pas exister ou ne pas etre unique. Pour plus de details sur la
resolution des problèmes de controle optimal, on renvoie au livre reference de Lions [70].
Remarque 3.2 Nous limitons nos rappels au cas de la dimension nie.
De fa con generale, lorsque J est dierentiable, une condition necessaire pour que K
soit solution de (3.3) dans le cas sans contraintes est donnee soit par lequation dEuler-
Lagrange
J(K
) = 0 (3.4)
avec J =
_
J
,
J
D
_
T
, et dans le cas avec contraintes par linegalite variationnelle
J(K
), v K
) 0, v T. (3.5)
La fonction co ut J depend de K par lintermediaire de C, cest la dierence avec un
problème classiquede minimisation. La determination de J permet de mettre en uvre
des methodes doptimisation de type descente. La methode directe consiste à deriver C par
rapport à K, ce qui revient à deriver lequation (1.6) par rapport à chaque composante de
K et donc à ecrire autant dequations linearisees que de paramètres à identier. Ce procede
devient dautant plus co uteux que le nombre de paramètres est grand. Cest pourquoi, dans
la suite nous allons presenter (et utiliser) la methode de letat adjoint qui permet de calculer
le gradient en integrant lequivalent de deux fois le modèle direct.
3.2.2 Le modèle lineaire tangent
Si on note

K une perturbation sur K alors cette pertubation permet de denir la derivee
directionnelle

J de la fonction co ut J dans la direction K
J(K;

K) = 2
_
T
0
M
1
C C
o
, M
1

C) dt + 2 M
2
C(T) C
b
nal
, M
2

C(T)) (3.6)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
o` u

C designe la derivee de Gateaux du modèle direct (3.1). Alors

C est solution de
lequation (3.7) appelee modèle lineaire tangent
_
_
d
C
dt
=
_
F
C
_

C +
_
F
K
_

K, t [0, T],

C H
C(0) = 0
(3.7)
o` u
_
F
C
_
et
_
F
K
_
representent respectivement loperateur Jacobien de F par rapport
à C et par rapport à K.
Par denition du gradient, on a
J(K,

K) = J(K),

K). (3.8)
Une fa con de determiner le gradient (cest-à-dire toutes ses composantes) est de faire
une perturbation unitaire sur chaque paramètre, en maintenant les autres constants, et de
calculer

J. Ceci implique quil faut resoudre (3.7) autant de fois quil y a de paramètres.
Dans notre cas, il y a plusieurs paramètres (autant que de zones) à identier et il faut
faire appel au gradient dans un algorithme de minimisation. On comprend donc très vite
que le co ut (calcul et espace memoire) de cette demarche devient vite eleve. On introduit
donc dans la suite une methode de calcul du gradient qui necessite seulement une
integration du modèle direct et une integration dune equation associee au modèle
lineaire tangent, independamment du nombre de paramètres de controle.
3.2.3 Introduction de letat adjoint
La methode de letat adjoint consiste à voir lequation detat (3.1) comme une contrainte
degalite reliant la variable detat C (la concentration) aux paramètres et D (variables
de controle). C est donc suppose a priori independant de K = (, D).
Le problème inverse consiste à retrouver le paramètre K qui reproduirait au mieux les
mesures C
o
et C
b
nal
: ceci correspond au problème de minimisation (3.3). Nous resolvons
ce problème de minimisation par un algorithme de descente (cf. section 3.3), necessitant
le calcul du gradient de la fonctionnelle co ut (3.2) que nous allons obtenir par la methode
de letat adjoint.
3.2.3.1 Approche lagrangienne
Nous considerons alors le multiplicateur de Lagrange P associe à lequation (3.1),
qui est ici une fonction test (dependant du temps et de lespace) de H. Notons quà ce stade,
la valeur de la variable adjointe P nest pas encore xee. Nous formons le Lagrangien du
problème en additionnant la fonction co ut (3.2) et le produit scalaire de P par lequation
(3.1) quon intègre sur [0, T]. Nous obtenons lexpression
L = L(C, K; P) =
_
T
0
|M
1
C C
o
|
2
O
dt +
_
_
M
2
C(T) C
b
nal
_
_
2
U
+
_
T
0
_
dC
dt
F(C, K), P
_
dt. (3.9)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Ce Lagrangien est une fonction à valeurs dans R que nous supposons etre Gateaux-
derivable par rapport aux trois variables C, K et P. On rappelle la denition de Gateaux-
derivee :
Denition 3.1 (G ateaux-derivee ou derivee directionnelle) Soit une application de R
N
dans R de variable v. On dit que est G-derivable dans la direction w, si la limite
(v, w) = lim
0
(v + w) (v)
existe et si lapplication
(v) : w (v, w) est lineaire continue de R

N
dans R. Si cest
le cas, alors on pourra noter
(v, w) = (v), w)
o` u (v) est le gradient de de par rapport à v.
Quand C(K) est solution de lequation detat (3.1), nous avons
J(K) = L(C(K), K; P). (3.10)
Nous supposons que lapplication K C(K) est dierentiable (cf. Lions [70]) et on
poursuit notre resolution formelle du problème (3.3) en calculant alors la Gateaux-derivee
par rapport à K dans les deux membres de lequation precedente. Nous arrivons à la
relation
J =
L
C
(C(K), K; P)
C +
L
K
(C(K), K; P)
K pour tout P. (3.11)

Nous choisissons le multiplicateur de Lagrange P de telle sorte que le premier terme de
lequation precedente soit nul, i.e.
L
C
(C(K), K; P) = 0. (3.12)
Cette egalite se reecrit (après integration par parties) de la fa con suivante
2
_
T
0
_
M
1
C C
o
, M
1

C
_
dt + 2 M
2
C(T) C
b
nal
, M
2

C(T))
_
T
0
_
dP
dt
,

C
_
dt
+
_
P(T),

C(T)
_
_
T
0
__
F
C
_

C, P
_
dt = 0. (3.13)
Comme nous sommes dans un espace de Hilbert, nous pouvons introduire les operateurs
adjoints de M
1
et
_
E
C
_
dans (3.13)
2
_
T
0
_
M
1
(M
1
C C
o
),

C
_
dt + 2 M
2
(M
2
C(T) C
b
nal
),

C(T))
_
T
0
_
dP
dt
,

C
_
dt
+
_
P(T),

C(T)
_
_
T
0
__
F
C
_
P,

C
_
dt = 0. (3.14)
Soit encore
_
dP
dt
=
_
F
C
_
P 2M
1
(M
1
C C
o
)
P(T) = 2 M
2
_
M
2
C(T) C
b
nal
_
(3.15)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Lequation (3.15) est appelee equation adjointe (ou modèle adjoint) et la variable P est
letat adjoint de C. Ainsi si letat C est solution de (3.1) et letat adjoint P est solution
de (3.15), le gradient de la fonction co ut vaut
dJ
dK
=
L
K
(C(K), K; P). (3.16)
On pose
K
J =
J
K
et on deduit de (3.9) et (3.11) que
K
J =
_
T
0
_
F
K
_
P dt. (3.17)
Le gradient de J est donne par la formule (3.17) et on constate quil se calcule par
integration retrograde du modèle adjoint (equation (3.15)).
Remarque 3.3 On a identie les espaces de Hilbert H, / et O avec leurs duaux.
Remarque 3.4 Si on avait voulu identier la condition initiale et/ou les conditions aux
limites (comme cest le cas en meteorologie ou en oceanographie, voir par exemple [66]),
on aurait procede exactement de la meme manière en calculant un ou deux gradient(s)
supplementaire(s).
La solution K
du problème (3.3) est donnee en resolvant le système suivant

_
_
dC
dt
= F(C(t), K), t [0, T], C H
C(0) = U
dP
dt
=
_
F
C
_
P 2M
1
(M
1
C C
o
), t [0, T]
P(T) = 2 M
2
_
M
2
C(T) C
b
nal
_
K
J = 0
(3.18)
appele système doptimalite.
Remarque 3.5 En pratique on ne resout pas directement le système doptimalite (3.18),
mais on utilise un algorithme de descente dans la direction du gradient.
Les domaines dapplication de ces methodes de controle optimal à des problèmes diden-
tication pour des systèmes regis par des edp sont multiples et varies. On peut citer en
assimilation de donnees pour la meteorologie et loceanographie Auroux & Blum ([12]),
Blum et al. (article dans Handbook of Numerical Analysis [94]), Le Dimet et Talagrand
([68]), Courtier et Talagrand ([43]), Luong ([72]), Blum ([20]) pour la physique des plas-
mas, De Marsily ([45]) en hydrogeologie, Chavent ([32, 33, 34]) et Tarantola ([93]) pour les
methodes dinversion, Cartalade et al. ([29, 30]), Mc Laughlin et al. ([77]), Sun ([90]) et
Carrera ([28]) pour les ecoulements et le transport en milieu poreux, Plessix et al. ([82])
pour la geophysique interne.
Remarque 3.6 Cette methode de calcul pour obtenir letat adjoint est dite lagrangienne.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
3.2.3.2 Approche linearisee
Une autre approche est possible, elle utilise le modèle lineaire tangent deduit du problème
direct (cf. section 3.2.2). Ces deux approches sont totalement identiques et conduisent aux
memes resultats. Pour obtenir lequation adjointe de (3.1), on introduit letat adjoint P
et on prend le produit scalaire de (3.7) avec P, on somme sur lintervalle [0, T] et après
integration par parties (du meme genre que (3.13)) et identication des linearites par rap-
port à

K dans (3.8), on retrouve que P est solution de (3.15) et que le gradient de J est
donne par (3.17) cest-à-dire que letat adjoint du problème non lineaire est le meme que
letat adjoint du problème linearise.
3.2.3.3 Regularisation
Le problème inverse inverse etant instable, une technique courante consiste à le regulari-
ser. En pratique, on rajoute un terme à la fonction co ut, par exemple on peut prendre un
terme contenant la dierence au sens des moindres carres entre les paramètres calcules
et une ebauche de ces paramètres (puisquen pratique on ne connat pas les paramètres
observes). Ce terme agit comme un terme de regularisation au sens de Tikhonov [97]
(cest la methode la plus classique pour regulariser). On peut aussi imaginer un terme de
regularisation portant non plus sur les paramètres eux memes mais sur leurs derivees an
davoir une certaine regularite sur ces fonctions. On peut egalement mentionner lapproche
multi-echelle ou multi-grille [39, 71], la regularisation au sens BV (pour conserver les dis-
continuites), au sens de la norme L
2
du gradient ou des normes speciquement appropriees
au problème physique concerne (norme de la divergence pour un problème de meca uide,
etc.). On peut se referer à [35] pour une etude faisant le lien entre les dierentes techniques
de regularisation et la notion de problème quadratiquement bien pose.
Ainsi, en suivant la meme demarche que precedemment, on constate que si lon rajoute
des termes de regularisation à la fonction co ut, le système adjoint associe à cette nouvelle
fonctionnelle reste inchange. Par contre, le gradient lui prend en compte ces nouveaux
termes regularisants.
Dans la suite, nous ne prendrons pas en compte le terme de regularisation. En eet,
dans notre cas les paramètres sont constants par zones, il ny a pas doscillations possibles
et donc pas de terme de regularisation à rajouter pour lisser la solution [48].
3.2.4 Obtention formelle de lequation de transport adjointe
Nous voulons identier les paramètres de transport (diusion et porosite) du modèle
mathematique (1.6) connaissant une distribution de la solution en dierents points de
lespace et à dierents temps de simulation. Nous allons ci-dessous formuler le problème de
controle optimal et ecrire les equations adjointes pour les deux cas-tests denis au chapitre
2. An dobtenir letat adjoint, nous utiliserons la methode dite lagrangienne exposee dans
la section 3.2.3.1.
3.2.4.1 Cas-test colis
On rappelle les notations introduites dans la section 2.6.1 et on se refère à la gure 3.1 :
=
1

2
et =
N

S

D
,
designe linterface entre les deux domaines
1
et
2
,
designe le domaine dans lequel on mesure la concentration à linstant nal,
le terme source S dans lequation (1.6) est nul,
on prend comme conditions initiales et aux limites (2.28)-(2.29), i.e.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
_
C(t = 0, x) = 0 sur
1
C(t = 0, x) = 0 sur
2
_
_
_
C(t, x) = 0 sur
N
DC(t, x).n = 0 sur
S
DC(t, x).n = q
D
(t, x) sur
D
avec les conditions de transmission suivantes
(DC.n
1
)[
+ (DC.n
2
)[
= 0 (3.19)
(q.n
1
)[
+ (q.n
2
)[
= 0 (3.20)
o` u n
1
est le vecteur normal unitaire exterieur à
1
et n
2
est le vecteur normal unitaire
exterieur à
2
. Sur , nous avons n
1
= n
2
et donc la quantite DC.n est continue à
linterface. De meme, la concentration C est continue à linterface.
N

N
Flux impose sur
D
Fig. 3.1 Domaine
La fonction co ut J est denie par
J(C(, D)) =
_
T
0
_
_
C(t, x) C
obs
(t, x)
2
d dt
. .
()
+
_
_
C(T, x) C
obs
(T, x)
2
dx
. .
()
(3.21)
o` u et sont des poids quon ajuste pour que les deux termes () et () de la fonction
co ut soient du meme ordre. Le terme () correspond à la partie integree en temps et le
terme () à linstant nal.
Le Lagrangien de notre problème est donne par
L(((, D), C), P) = J(C) +
_
T
0
_
R
t
C P dxdt
_
T
0
_
.(DC) P dxdt
. .
()
+
_
T
0
_
.(q C) P dxdt
. .
()
+
_
T
0
_
RP C dxdt. (3.22)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
On decoupe les termes () et () sur
1
et
2
_
T
0
_
.(DC) P dxdt =
_
T
0
_
1
.(DC) P dxdt
_
T
0
_
2
.(DC) P dxdt
(3.23)
_
T
0
_
.(q C) P dxdt =
_
T
0
_
1
.(q C) P dxdt +
_
T
0
_
2
.(q C) P dxdt. (3.24)
On calcule la partie droite de (3.23)
_
T
0
_
1
.(DC) P dxdt =
_
T
0
_
1
D(C.P) dxdt
_
T
0
_
DC.n
1
P d dt
=
_
T
0
_
1
.(DP) C dxdt
_
T
0
_
DC.n
1
P d dt
+
_
T
0
_
DP.n
1
C d dt
=
_
T
0
_
1
.(DP) C dxdt +
_
T
0
_
S
DP.n
1
C d dt
_
T
0
_
D(C.n
1
P P.n
1
C) d dt
_
T
0
_
N
DC.n
1
P d dt.
(3.25)
De meme
_
T
0
_
2
.(DC) P dxdt =
_
T
0
_
2
.(DP) C dxdt
_
T
0
_
D
(P q
D
DP.n
2
C) d dt
_
T
0
_
D(C.n
2
P P.n
2
C) d dt. (3.26)
Donc le terme (3.23) devient
_
T
0
_
.(DC) P dxdt =
_
T
0
_
.(DP) C dxdt +
_
T
0
_
S
DP.n
1
C d dt
_
T
0
_
D
(P q
D
DP.n
2
C) d dt
_
T
0
_
N
DC.n
1
P d dt
+
_
T
0
_
(DP.n
1
+ DP.n
2
) C d dt.
(3.27)
_
T
0
_
1
.(q C) P dxdt =
_
T
0
_
1
q.P C dxdt +
_
T
0
_
q.n
1
P C d dt
=
_
T
0
_
1
q.P C dxdt +
_
T
0
_
q.n
1
P C d dt. (3.28)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
De meme
_
T
0
_
2
.(q C) P dxdt =
_
T
0
_
2
q.P C dxdt +
_
T
0
_
q.n
2
P C d dt. (3.29)
_
T
0
_
.(q C) P dxdt =
_
T
0
_
q.P C dxdt +
_
T
0
_
(q.n
1
+ q.n
2
) P C d dt
+
_
T
0
_
D
q.n
2
P C d dt +
_
T
0
_
S
q.n
1
P C d dt. (3.30)
Le Lagrangien (3.22) secrit donc
L(((, D), C), P) = J(C)
_
T
0
_
R
t
P C dxdt +
_
RP(T, x) C(T, x) dx
_
T
0
_
.(DP) C dxdt +
_
T
0
_
(DP.n
1
+ DP.n
2
) C d dt
+
_
T
0
_
S
DP.n
1
C d dt
_
T
0
_
N
DC.n
1
P d dt
_
T
0
_
D
(P q
D
(t, x) DP.n
2
C) d dt
_
T
0
_
q.P C dxdt
+
_
T
0
_
D
q.n
2
P C d dt +
_
T
0
_
S
q.n
1
P C d dt
+
_
T
0
_
RP C dxdt. (3.31)
On prend letat adjoint P nul sur
N
, on derive le Lagrangien (3.31).
_
L
C
,

C
_
=
_
J
C
,

C
_
_
T
0
_
R
t
P

C dxdt +
_
RP(T, x)

C(T, x) dx
_
T
0
_
.(DP)

C dxdt +
_
T
0
_
(DP.n
1
+ DP.n
2
)

C d dt
+
_
T
0
_
S
DP.n
1

C d dt +
_
T
0
_
D
DP.n
2

C d dt
_
T
0
_
q.P

C dxdt +
_
T
0
_
D
q.n
2
P

C d dt
+
_
T
0
_
S
q.n
1
P

C d dt +
_
T
0
_
RP

C dxdt. (3.32)
La Gateaux-derivee de J par rapport à C vaut
_
J
C
,

C
_
= 2
_
T
0
_
_
C(t, x)C
obs
(t, x)
C(t, x) d dt+2
_
_
C(T, x)C
obs
(T, x)
C(T, x) dx.
(3.33)
Si C(K) est solution de E(C; K) = 0, on a alors que
J(K) = L(C(K), P; K) et J =
L
C
(C(K), P; K)C +
L
K
(C(K), P; K)K. (3.34)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
On cherche letat adjoint P tel que
L
C
(C(K), P; K)C = 0 C, (3.35)
de sorte que lon ait
J
K
(K) =
L
K
(C(K), P; K). (3.36)
Il vient alors
R
t
P .(DP) q P + RP = 0 (3.37)
avec pour conditions nales et aux limites
_
_
P(t, x) = 0 sur
N
,
DP.n
2
+ q.n
2
P = 0 sur
D
,
DP.n
1
+ q.n
1
P = 0 sur
S
,
(DP.n
1
+ DP.n
2
) = 2[C(t, x) C
obs
(t, x)] sur ,
R P(T, x) = 2 [C(T, x) C
obs
(T, x)] dans ,
R P(T, x) = 0 dans .
(3.38)
En utilisant (3.22) et (3.36), on obtient pour expression des gradients
_
_
_
J
,
_
=
_
T
0
_
(R
t
C + RC) P dxdt (3.39)
_
J
D
,

D
_
=
_
T
0
_
C.P

Ddxdt (3.40)
Une fois le gradient calcule, il ne reste plus quà le transmettre à loptimiseur pour
commencer la minimisation. Nous expliquons en details dans la section 3.3 lalgorithme
numerique mis en uvre et nous presentons les resultats obtenus.
Remarque 3.7 Les paramètres etant consideres constants par zones, lintegrale en espace
dans les relations (3.39) et (3.40) ne portent plus que sur la zone consideree.
3.2.4.2 Cas-test reel
Nous procedons de la meme manière que dans le paragraphe precedent pour obtenir
le gradient de la fonction co ut par rapport aux paramètres à identier. On rappelle les
notations introduites dans la section 2.6.2 et on se refère à la gure 3.2 :
=
1

2

3
et = =
1

2

3
,
on note
1
=
1

13
la frontière de
1
,
1
designe la frontière exterieure et
13
linterface entre
1
et
3
,
on note
2
=
2

23
la frontière de
2
,
2
designe la frontière exterieure et
23
linterface entre
2
et
3
,
on note
3
=
3

13

23
la frontière de
3
,
3
designe la frontière exterieure,
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
les domaines
i
, i = 1, 2, 3 designe les trois zones o` u on mesure la concentration à
linstant nal
,
le terme source S dans lequation (1.6) est nul,
on prend comme conditions initiales et aux limites (2.30)-(2.31), i.e.
_
C(t = 0, x) = 0 sur
1

3
C(t = 0, x) = 1 sur
2
DC(t, x).n = 0 sur
avec les conditions de transmission suivantes
_
(DC.n
1
)[
13
+ (DC.n
3
)[
13
= 0
(q.n
1
)[
13
+ (q.n
3
)[
13
= 0
(3.41)
_
(DC.n
2
)[
23
+ (DC.n
3
)[
23
= 0
(q.n
2
)[
23
+ (q.n
3
)[
23
= 0
(3.42)
o` u n
1
1
, n
2
est le vecteur normal unitaire
exterieur à
2
et n
3
3
. Sur
13
, nous avons
n
1
= n
3
et sur
23
, n
2
= n
3
. Ainsi, la quantite DC.n (avec n vecteur normal unitaire
exterieur à ) est continue aux interfaces et il en est de meme pour la concentration C.
Fig. 3.2 Domaine
Pour simplier letude, on a pris dans ce paragraphe pour

i
(i = 1, 2, 3) des zones au
lieu de droites comme sur la gure 2.6.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
La fonction co ut J est denie par
J(C(, D)) =
_
T
0
_
2
_
C(t, x) C
obs
(t, x)
2
dxdt
. .
()
+
3
i=1
_
i
_
C(T, x) C
obs
(T, x)
2
dx
. .
()
.
(3.43)
Comme dans la section precedente, et sont des poids quon ajuste pour que les
deux termes () et () de la fonction co ut soient du meme ordre.
Le Lagrangien de notre problème est donne par (3.22) : on decoupe les termes () et
() sur
1
,
2
et
3
_
T
0
_
.(DC) P dxdt =
_
T
0
_
1
.(DC) P dxdt
_
T
0
_
2
.(DC) P dxdt
_
T
0
_
3
.(DC) P dxdt (3.44)
_
T
0
_
.(q C) P dxdt =
_
T
0
_
1
.(q C) P dxdt +
_
T
0
_
2
.(q C) P dxdt
+
_
T
0
_
3
.(q C) P dxdt. (3.45)
_
T
0
_
1
.(DC) P dxdt =
_
T
0
_
1
D(C.P) dxdt
_
T
0
_
13
DC.n
1
P d dt
=
_
T
0
_
1
.(DP) C dxdt
_
T
0
_
13
DC.n
1
P d dt
+
_
T
0
_
13
DP.n
1
C d dt
=
_
T
0
_
1
.(DP) C dxdt +
_
T
0
_
1
DP.n
1
C d dt
_
T
0
_
13
D(C.n
1
P P.n
1
C) d dt
(3.46)
De meme
_
T
0
_
2
.(DC) P dxdt =
_
T
0
_
2
.(DP) C dxdt +
_
T
0
_
2
DP.n
2
C d dt
_
T
0
_
23
D(C.n
2
P P.n
2
C) d dt
(3.47)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
_
T
0
_
3
.(DC) P dxdt =
_
T
0
_
3
.(DP) C dxdt +
_
T
0
_
3
DP.n
3
C d dt
_
T
0
_
13
23
D(C.n
3
P P.n
3
C) d dt.
(3.48)
Ainsi le terme (3.44) secrit
_
T
0
_
.(DC) P dxdt =
_
T
0
_
.(DP) C dxdt +
_
T
0
_
DP.nC d dt
_
T
0
_
13
D(P.n
1
C +P.n
3
C) d dt
_
T
0
_
23
D(P.n
2
C +P.n
3
C) d dt.
(3.49)
_
T
0
_
1
.(q C) P dxdt =
_
T
0
_
1
q.P C dxdt +
_
T
0
_
13
q.n
1
P C d dt. (3.50)
De meme
_
T
0
_
2
.(q C) P dxdt =
_
T
0
_
2
q.P C dxdt +
_
T
0
_
23
q.n
2
P C d dt. (3.51)
_
T
0
_
3
.(q C) P dxdt =
_
T
0
_
3
q.P C dxdt +
_
T
0
_
13
23
q.n
3
P C d dt.
(3.52)
_
T
0
_
.(q C) P dxdt =
_
T
0
_
q.P C dxdt +
_
T
0
_
q.nP C d dt. (3.53)

Le Lagrangien (3.22) secrit donc
L(((, D), C), P) = J(C)
_
T
0
_
R
t
P C dxdt +
_
RP(T, x) C(T, x) dx
_
T
0
_
.(DP) C dxdt +
_
T
0
_
DP.nC d dt
_
T
0
_
13
D(P.n
1
C +P.n
3
C) d dt
_
T
0
_
23
D(P.n
2
C +P.n
3
C) d dt
_
T
0
_
q.P C dxdt
+
_
T
0
_
q.nP C d dt +
_
T
0
_
RP C dxdt. (3.54)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Do` u
_
L
C
,

C
_
=
_
J
C
,

C
_
_
T
0
_
R
t
P

C dxdt +
_
RP(T, x)

C(T, x) dx
_
T
0
_
.(DP)

C dxdt +
_
T
0
_
DP.n

C d dt
_
T
0
_
13
D(P.n
1
+P.n
3
)

C d dt
_
T
0
_
23
D(P.n
2
+P.n
3
)

C d dt
_
T
0
_
q.P

C dxdt
+
_
T
0
_
q.nP

C d dt +
_
T
0
_
RP

C dxdt. (3.55)
La Gateaux-derivee de J par rapport à C vaut
_
J
C
,

C
_
= 2
_
T
0
_
2
_
C(t, x)C
obs
(t, x)
C(t, x) dxdt+2
3
i=1
_
i
_
C(T, x)C
obs
(T, x)
C(T, x) dx.
(3.56)
Lequation adjointe sexprime sous la forme
R
t
P .(DP) q P + RP =
_
_
_
0 dans
1

3
,
2(C C
obs
) dans
2
.
(3.57)
avec pour conditions nales et aux limites
_
_
DP.n + q.nP = 0 sur ,
DP.n
1
+ DP.n
3
= 0 sur
13
,
DP.n
2
+ DP.n
3
= 0 sur
23
,
R P(T, x) = 2 [C(T, x) C
obs
(T, x)] dans
1

2

3
,
R P(T, x) = 0 dans (
1

2

3
).
(3.58)
On obtient pour expression des gradients
_
_
_
J
,
_
=
_
T
0
_
(R
t
C + RC) P dxdt (3.59)
_
J
D
,

D
_
=
_
T
0
_
C.P

Ddxdt (3.60)
Remarque 3.8 On remarque que les calculs de ladjoint dans les deux cas-tests sont si-
milaires et quon obtient la meme expression pour les gradients. Par contre, les conditions
nales et aux limites netant pas les memes dans les deux cas-tests, on constate que les
equations adjointes (3.37)-(3.38)et (3.57)-(3.58) sont dierentes (on note en particulier
lapparition dun terme source dans lequation adjointe (3.57)).
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Comme nous lavons dejà signale dans la section 3.2.2, la methode de letat adjoint
prouve son ecacite lorsque le nombre de paramètres devient important. Dans les cas-tests
presentes, nous avons au plus 6 paramètres à identier. Cependant, la methode mise en
place est independante du nombre de paramètres et permet donc de traiter des problèmes
avec un grand nombre de paramètres en resolvant seulement deux systèmes dedp. Elle
trouvera pleinement sa justication dans la partie sur lidentication de zones (cf. chapitre
6).
3.3 Etude numerique du problème inverse
3.3.1 Introduction
Pour resoudre numeriquement le problème de controle optimal (3.18) an de reconsti-
tuer les paramètres de transport, nous avons pour la minimisation le choix entre utiliser
des algorithmes sans gradients et des algorithmes avec gradients. Les algorithmes sans gra-
dients (algorithmes genetiques, simplexe, etc.) permettent de minimiser des fonctionnelles
dont la forme peut etre très complexe. Notamment, ces methodes ne sarretent pas dans
des minima locaux mais permettent dobtenir un minimum global de la fonction co ut. En
revanche, ce type dapproche necessite un grand nombre devaluations de la fonction co ut
qui peuvent vite devenir co uteux en temps de calcul si cette dernière est issue dun cal-
cul numerique. Cest pour cette raison que dans la suite nous utiliserons la technique de
minimisation au sens des moindres carres qui requiert le calcul du gradient de la fonction
co ut.
La plupart de ces algorithmes de minimisation (sans contraintes) reposent sur une
methode dite de descente : en partant dun point quelconque de lespace, lalgorithme
construit une suite de points dont le but est de converger vers le controle optimal en
faisant diminuer le plus rapidement possible la fonction co ut calculee en ces points. La
direction liant deux points successifs est appelee direction de descente. Cette direction est
calculee par lalgorithme grace aux directions du gradient et aux valeurs de la fonction
co ut evaluee en dierents points. Ces algorithmes requièrent à chaque iteration le calcul
du gradient de la fonction co ut par rapport aux paramètres de controle.
3.3.2 Le code adjoint
A ce stade du manuscrit, le lecteur pourrait sattendre, après avoir ecrit les equations
adjointes continues (3.37) et (3.57) du modèle direct (1.6) pour les deux cas-tests denis
dans la section precedente, à ce que lon discretise ces equations adjointes en vue de leur
implementation informatique. Ce nest pas lapproche que nous avons choisi. En eet, en
pratique les equations adjointes continues ont peu dutilite et de plus coder à la main ces
equations est une tache longue et fastidieuse. De plus, si lon ne prend pas ladjoint du
système direct discretise, on risque dobserver une divergence de lalgorithme de minimi-
sation. Cest pourquoi, nous avons choisi de dierentier automatiquement le code Traces
an dobtenir directement le code adjoint.
Le code adjoint a donc ete entièrement obtenu par dierentiation automatique du code
direct Traces avec le logiciel Tapenade [92] ce qui a notamment permis dautomatiser la
procedure dobtention du gradient. Nous avons egalement opte pour cette strategie car
cela nous permet de calculer le gradient de fa con très precise ce qui est necessaire pour
la resolution de notre problème inverse. Une fois le code dierentie, nous aurons accès au
gradient de la fonction co ut que nous transmettrons ensuite ` a lalgorithme de minimisation.
Nous reviendrons plus longuement sur cette partie dans le chapitre suivant.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
3.3 Etude numerique du problème inverse 53
3.3.3 Rappels sur les methodes doptimisation
La fonctionnelle J et ses derivees calculees par Tapenade sont ensuite injectees dans un
optimiseur qui permet dobtenir au cours dune iteration donnee des valeurs des paramètres
qui rendent la fonctionnelle J inferieure à celle calculee à literation precedente. Ainsi en
notant x
k
le vecteur des paramètres à literation k, loptimiseur fournit à literation k + 1
la valeur x
k+1
telle que
J(C(x
k+1
)) J(C(x
k
)).
Pour generer un nouveau point x
k+1
à partir du point courant x
k
, nous cherchons tout
dabord une direction de descente d
k
(avec le gradient) à partir de literation courante puis
on eectue une recherche lineaire qui consiste à chercher le long de cette direction une
nouvelle iteration pour laquelle la valeur de la fonctionnelle est plus petite. Lalgorithme
genère un nombre limite de longueur de pas
k
le long de cette direction jusquà ce quil
en trouve un qui approxime le minimum de la relation suivante
J(x
k
+
k
d
k
) = Inf
R
J(x
k
+ d
k
). (3.61)
Au nouveau point x
k+1
, une nouvelle direction de recherche et une nouvelle longueur de
pas sont calculees et le processus est repete. Les algorithmes doptimisation se distinguent
par le choix de la direction et du pas, i.e. en choisissant d
k
et
k
(le pas) à literation k
dans la relation
x
k+1
= x
k
+
k
d
k
. (3.62)
Dans la plupart des algorithmes de minimisation, la direction de descente d
k
secrit
sous la forme
d
k
= B
1
k
J
k
(3.63)
o` u B
k
est une matrice symetrique et non singulière. Dans le cas de la methode de Newton,
B
k
est exactement la matrice Hessienne
2
J
k
. Les methodes qui utilisent la direction
de Newton ont un taux rapide de convergence locale. Le principal inconvenient de cette
methode reside dans le calcul explicite de la matrice des derivees secondes qui est souvent
une etape co uteuse et peu precise tandis que dans les methodes de type quasi-Newton, B
k
est une approximation de la matrice Hessienne qui est mise à jour à chaque iteration. Ces
methodes ont lavantage de ne pas calculer la Hessienne et de converger rapidement. Les
mises à jour utilisent le fait que les gradients fournissent une information sur la derivee
seconde de J le long de cette direction ainsi que la formule suivante
2
J
k+1
(x
k+1
x
k
) J
k+1
J
k
. (3.64)
Les algorithmes de quasi-Newton evitent la factorisation de B
k
à chaque iteration en
mettant à jour son inverse W
k
. Le calcul de d
k
est alors eectue en utilisant d
k
= W
k
J
k
,
ce qui peut etre implemente en eectuant une multiplication matrice-vecteur qui est plus
simple à realiser que la mise en uvre de la formule (3.63).
Cependant, les methodes de quasi-Newton ne sont pas directement applicables aux
problèmes dans lesquels interviennent de nombreux paramètres à cause de lapproximation
de la Hessienne (ou de son inverse), habituellement dense, qui augmente la taille memoire
et le temps de calcul. Quand le nombre de paramètres est eleve, on utilise des methodes
de quasi-Newton à memoire limite qui ont lavantage detre peu co uteuses, robustes et
faciles à implementer. Les approximations des Hessiennes peuvent etre alors memorisees
sous formes compactes de quelques vecteurs de longueur n (le nombre dinconnues du
problème).
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
3.3.4 Description de lalgorithme de minimisation
Dans loptique dutiliser des methodes de quasi-Newton à memoire limite, nous avons
essaye lalgorithme de minimisation M1QN3 de Gilbert & Lemarechal [54] de lINRIA. Cet
algorithme utilise la formule BFGS (3.66) (resp. BFGS inverse (3.67)) due à Broyden, Flet-
cher, Goldfarb et Shanno qui fournit une fa con devaluer recursivement une approximation
du Hessien (resp. de linverse du Hessien) au point x
k
. Cependant, les essais nont pas ete
concluants car le minimiseur autorisait des points tests x
k
o` u les ccients pouvaient etre
negatifs. Pour pouvoir minimiser sous contrainte de positivite des ccients, nous nous
sommes tournes vers lalgorithme N2QN1 de Lemarechal & Panier [69] qui est un optimi-
seur avec contraintes de bornes et avec lequel nous avons eu de meilleurs resultats. N2QN1
utilise une methode de quasi-Newton, dite de BFGS et une strategie de contraintes actives
dite à la Rosen-Goldfarb. La methode de type quasi-Newton est en realite une methode
de type gradient car elle utilise seulement les variations du gradient de la fonction co ut J
à minimiser entre deux iteres successifs pour obtenir linformation sur le Hessien.
On rappelle quon veut resoudre le problème de minimisation (3.3), i.e.
_
min J(x)
b
inf
x b
sup
(3.65)
o` u b
inf
R
N
et b
sup
R
N
sont les bornes. On note I lensemble des indices des bornes
jugees actives au point courant (i I si x
i
(b
inf
)
i
ou x
i
(b
sup
)
i
). On designera par
x
k
= (
k
, D
k
) le point courant, B
k
est lapproximation courante de lHessien
2
J(x
k
), H
k
est lapproximation courante de linverse de lHessien
2
J(x
k
)
1
et G
k
= J(x
k
) est le
gradient de la fonction co ut J au point x
k
, calculee pour le produit scalaire ., .). Enn,
on pose s
k
= x
k+1
x
k
et y
k
= G
k+1
G
k
. On rappelle les formules de BFGS et BFGS
inverse (BFGS)
BFGS(B
k+1
, y
k
, s
k
) = B
k

(B
k
s
k
) (B
k
s
k
)
s
k
, B
k
s
k
)
+
y
k
y
k
y
k
, s
k
)
(3.66)
BFGS(H
k+1
, y
k
, s
k
) =
_
I
s
k
y
k
y
k
, s
k
)
_
H
k
_
I
y
k
s
k
y
k
, s
k
)
_
+
s
k
s
k
y
k
, s
k
)
(3.67)
avec s, y R
m
et loperateur lineaire deni par
: R
m
R
m
L(R
m
)
(s, y) [s y]
qui à tout w R
m
associe [s y].w = y, w)s.
On donne aussi la formule du gradient projete, dont la i
ème
composante vaut
_
_
(J(x))
i
si (b
inf
)
i
< x
i
< (b
sup
)
i
(J(x))
i
si x
i
= (b
inf
)
i
(J(x))
+
i
si x
i
= (b
sup
)
i
(3.68)
o` u pour f R, f
+
= max(0, f) et f
= max(0, f).
On peut resumer lalgorithme de minimisation par le schema suivant
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
3.3 Etude numerique du problème inverse 55
Algorithme 3.1 Minimisation
1: Donnees : point de depart x
0
2: A chaque iteration de lalgorithme, le point x
k
R
m
est connu et on eectue
3: calcul de la direction de deplacement d
k
en x
k
en resolvant le problème
_
_
_
min J(x
k
)
T
d
k
+
1
2
d
T
k
B
k
d
k
d
i
= 0, pour i I
(3.69)
4: recherche lineaire sur le segment realisable porte par la direction d
k
ainsi calculee
5: modication de B
k
par la formule (3.66).
6: Avant de retourner à letape 1, on revise I de la fa con suivante
- si la recherche lineaire a bute sur une nouvelle borne, on insère lindice de cette borne
dans I ;
- si aucune borne nouvelle na ete rencontree, soit on garde le meme I, soit on lui retranche
un indice de bornes si cela en vaut la peine.
Tab. 3.1 Algorithme de minimisation
Le but de lalgorithme est de trouver un x
k
en lequel le gradient projete est nul, cest-
à-dire que les conditions de Kuhn-Tucker sont veriees.
Critère darret
N2QN1 sarrete lorsque la valeur moyenne des composantes projetees du gradient par
rapport aux variables adimensionnees x
i
/dxmin
i
(o` u dxmin est un vecteur de taille N
dont la valeur est xee à 10
30
) devient inferieure à la variable epsabs que nous avons xe
à 10
30
.
Remarque 3.9 On utilise le produit scalaire euclidien ., .) donne par x, y) = x
y =
n
i=1
x
i
y
i
et donc le gradient de J est forme des derivees partielles J/x
i
pour i = 1, . . . , n.
Remarque 3.10 Avec le produit scalaire euclidien, la matrice dans la base canonique
(e
i
)
1in
du produit tensoriel [u v] secrit [u.v
T
].
Remarque 3.11 Les formules de type BFGS et BFGS inverse ont la propriete de conser-
ver le caractère deni positif de B
k
et H
k
si et seulement si y
k
, s
k
) est positif, ce qui assure
que d
k
est eectivement une direction de descente.
3.3.5 Implementation
Comme nous lavons explique dans lintroduction, nous avons d u readapter le code
Traces an de pouvoir le dierentier correctement avec le logiciel Tapenade [92]. Les chan-
gements operes dans le code sont nombreux : reecriture et transformation de certaines
parties, implementation de la fonction co ut du problème inverse, creation de chiers de
donnees en binaire pour ne pas avoir derreur darrondis, programmation des routines et
des interfaces de resolution du problème destimation de paramètres et didentication de
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
zones, etc. Une partie de ces modications a pu etre faite grace à Tapenade qui sest revele
etre un très bon debuggeur. De plus, les echanges avec lequipe Tropics de lINRIA Sophia-
Antipolis ont permis de faire nettement evoluer le logiciel de dierentiation. Une fois cette
phase de developpement terminee, nous avons integre au code le minimiseur N2QN1 de
telle sorte quune fois la fonction co ut calculee par Traces et ladjoint obtenu avec Tape-
nade, nous en deduisons la valeur du gradient qui est, avec la valeur de la fonction co ut,
directement injectee dans N2QN1. Un des avantages du code ainsi remanie est sa capacite
à traiter aussi bien le problème destimation de paramètres que le problème didentication
de zones.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Chapitre 4
Dierentiation automatique
Sommaire
4.1 Generalites sur le calcul des derivees . . . . . . . . . . . . . . . . . . . 58
4.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.1.2 Les dierentes methodes de calcul des derivees . . . . . . . . . . . . . . 58
4.1.2.1 Dierences nies . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.1.2.2 Methode de la variable complexe . . . . . . . . . . . . . . . . . 61
4.1.2.3 Linearisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1.2.4 Methode de letat adjoint . . . . . . . . . . . . . . . . . . . . . 62
4.2 Dierentiation automatique du code par Tapenade . . . . . . . . . . . 62
4.2.1 Generalites sur la dierentiation automatique . . . . . . . . . . . . . . . 62
4.2.1.1 Principe de la derivation automatique . . . . . . . . . . . . . . 63
4.2.1.2 Dicultes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.2 Presentation de Tapenade . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.2.1 Fonctionnalites de Tapenade . . . . . . . . . . . . . . . . . . . 65
4.2.2.2 Checkpointing . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.2.2.3 Utilisation de Tapenade . . . . . . . . . . . . . . . . . . . . . . 67
4.2.2.4 Code adjoint genere par Tapenade . . . . . . . . . . . . . . . . 67
4.3 Du point de vue numerique . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.3.1 Validation des codes generes automatiquement . . . . . . . . . . . . . . 69
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4.1 Resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4.2 Discussion sur la dierentiation automatique . . . . . . . . . . . . . . . 70
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
58 Chapitre 4. Dierentiation automatique
Dans le chapitre precedent, nous avons vu comment calculer ecacement le gradient
en continu par la methode de letat adjoint. Nous allons voir ici comment calculer le
gradient de la fonction co ut numeriquement. Il est en eet important de dierentier un
problème discretise et non pas de discretiser un problème dierentie parce que les operations
de discretisation et de dierentiation ne commutent pas. Nous avons pris le parti de ne
pas ecrire les equations adjointes discrètes, nous retenons juste quil est preferable de
prendre ladjoint du système direct discretise. Dans le cas contraire, on risque dobserver
une divergence de lalgorithme de minimisation. Cest pourquoi nous avons choisi de deriver
le code direct par dierentiation automatique.
4.1 Generalites sur le calcul des derivees
4.1.1 Introduction
La dierentiation automatique permet de generer automatiquement un programme cal-
culant les derivees dune fonction à partir dun programme informatique. Le code dop-
timisation de la fonctionnelle co ut necessite lecriture de deux procedures : lune resout
le problème direct et calcule la fonction co ut (cest le code Traces) et lautre calcule le
gradient de la fonction co ut.
Le calcul des derivees pourrait etre eectue par dierences nies mais cette methode
est co uteuse en temps surtout quand le nombre de paramètres de controle est eleve et le
choix de la longueur du pas est dicile. De plus, cette approche ne permet pas de calculer
exactement le gradient mais de fa con approchee et cela conduit à une optimisation peu
precise du problème. En eet, pour une bonne convergence des algorithmes doptimisation,
nous devons calculer exactement le gradient de la fonction co ut et nous ne pouvons pas
atteindre ce niveau de precision de cette fa con. Nous pourrions, en vue dobtenir le code
adjoint, dierentier le modèle direct continu, puis le discretiser et limplementer dans un
programme. Mais une telle mise en uvre est plus adaptee pour les petits modèles, car
cela necessite beaucoup de temps.
Nous choisissons donc de calculer excatement le gradient de la fonction co ut par dieren-
tiation automatique du code source. Cette methode semble etre la meilleure fa con de deriver
le code rapidement et sans erreur.
Après avoir rappele les dierentes fa cons de calculer des derivees, nous donnerons le
principe general de la dierentiation automatique des programmes. Nous expliquerons
ensuite comment nous obtenons le code adjoint en utilisant le generateur automatique de
codes Tapenade [92] puis le gradient de la fonction co ut.
4.1.2 Les dierentes methodes de calcul des derivees
Nous rappelons ici les dierentes techniques pour evaluer la derivee dune fonction
co ut J dependant de la concentration C du radionucleide (variable detat) par rapport
aux paramètres de controle K = (, D), dans le cas o` u J(K, C(K)) depend de K par
lintermediaire de la concentration C qui est solution de lequation aux derivees partielles
(2.4). On peut reecrire lequation (2.4) soit sous la forme E(K, C(K)) = 0 avec
E(C; K) :=
t
(RC) .(D.C q C) + RC S (4.1)
soit sous la forme (3.1) avec
F(C(t); K) = ( R)
1
(.(D.C q C) RC + S) . (4.2)
Les formules (4.1) et (4.2) seront utilisees dans la suite pour simplier les expressions.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
4.1 Generalites sur le calcul des derivees 59
4.1.2.1 Dierences nies
La methode des dierences nies est sans doute la technique la plus connue pour calculer
des derivees discrètes. Cependant, cette methode nest pas exacte. En eet, on a besoin dans
notre cas de calculer la derivee de la fonction J(K) par rapport à K, o` u K = (, D) R
N
.
Or, pour calculer une des N composantes du vecteur gradient, il nous faut calculer la limite
J
K
i
(K) = lim
0
J(K + e
i
, C(K + e
i
)) J(K, C(K))
(4.3)
o` u e
i
est un vecteur de la base canonique de R
N
, ce qui revient à calculer au premier ordre
soit (formule des dierences nies decentrees à droite)
dJ
dK
i
J(K + e
i
, C(K + e
i
)) J(K, C(K))
(4.4)
soit (formule des dierences nies decentrees à gauche)
dJ
dK
i
J(K, C(K)) J(K e

i
, C(K e
i
))
. (4.5)
An davoir une meilleure approximation de la derivee, on pourrait utiliser la formule
des dierences nies centrees à la place de (4.4), i.e.
dJ
dK
i
J(K + e
i
, C(K + e
i
)) J(K e
i
, C(K e
i
))
2
. (4.6)
Cependant, ce calcul est très co uteux (le nombre des evaluations est proportionnel à
N) et il nest pas precis. Il faut en eet trouver la valeur optimale de pour avoir une
valeur precise de la derivee.
Experiences numeriques
Pour bien comprendre les inconvenients lies à la methode des dierences nies, nous
calculons les trois rapports (dierences nies decentrees à droite et à gauche et dierences
nies centrees) pour la fonction logarithme au point 1 avec des valeurs de de plus en plus
petites. On peut voir les resultats sur la gure 4.1.
Les courbes du haut representent la dierence entre le taux daccroissement (ta) de la
fonction logarithme autour du point (1, log(1)) et la valeur exacte de la derivee de log x au
point 1 en fonction du pas des dierences nies compris entre 10
12
et 10
4
pour la courbe
de gauche et entre 10
10
et 10
5
pour la courbe de droite. La courbe en bas à gauche donne
levolution de la dierence relative entre le taux daccroissement et la derivee. La courbe
en bas à droite montre le nombre de decimales communes entre le taux daccroissement et
la derivee de log x au point 1. Ce nombre est dabord croissant (on sapproche de la limite)
puis decroissant (il devient trop faible devant la precision du calcul). En general, un ordre
de 6 à 8 decimales communes est encourageant. Ici, on observe un maximum de 11 (resp.
9) decimales communes pour les dierences centrees (resp. decentrees) pour une valeur du
pas compris entre 10
7
et 10
6
(resp. 10
9
et 10
8
).
On remarque que les courbes presentent à chaque fois un palier, mais il est dicile de
prevoir o` u se trouvera ce palier (sans avoir calcule plusieurs taux daccroissements) et de
dire pour quelle valeur de ce palier est optimal. On gardera en tete que les dierences
divisees ne sont pas le meilleur moyen pour evaluer des derivees mais restent cependant
un bon outil pour verier le calcul des derivees generees automatiquement.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
10
12
10
10
10
8
10
6
10
4
5
0
5
10
x 10
5
h
t
a
(
1
,
h
)
1

centree
droite
gauche
10
10
10
9
10
8
10
7
10
6
10
5
6
4
2
0
2
4
6
x 10
6
h
t
a
(
1
,
h
)
1

centree
droite
gauche
10
15
10
10
10
5
10
0
10
12
10
10
10
8
10
6
10
4
10
2
10
0
h
|
(
t
a
(
1
,
h
)
1
)
/
1
|

centree
droite
gauche
10
15
10
10
10
5
10
0
0
1
2
3
4
5
6
7
8
9
10
11
12
h
n
o
m
b
r
e

d
e

d
e
c
i
m
a
l
e
s

c
o
m
m
u
n
e
s

centree
droite
gauche
Fig. 4.1 Dierences nies pour log x au point 1
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
4.1 Generalites sur le calcul des derivees 61
4.1.2.2 Methode de la variable complexe
An deviter les erreurs dues à la soustraction dans (4.4) et (4.6), on peut utiliser
la methode de la variable complexe [89]. La fonction co ut J est à valeurs reelles et en
supposant quelle soit analytique, on remplace dans (4.6) e
i
par i avec i =
1 et on
ecrit
J(K +i, C(K +i)) = J(K, C(K)) +i
dJ
dK

2
2
d
2
J
dK
2
i
3
6
d
3
J
dK
3
+ o(
3
). (4.7)
En prenant la partie imaginaire des deux cotes de legalite (4.7), il vient
1m[J(K +i, C(K +i))]
=
dJ
dK

2
6
d
3
J
dK
3
+ o(
2
) (4.8)
cest-à-dire
1m[J(K +i, C(K +i))]

dJ
dK
. (4.9)
Le co ut de cette methode reste neanmoins proportionnel à N.
Experiences numeriques
Si on veut calculer comme à la section 4.1.2.1, la derivee de la fonction logarithme au
point x
0
= 1, la formule (4.9) devient
d log(x)
dx
(x
0
) =
1m[log(x
0
+i)]
d log(x)
dx
(x
0
) =
1
x
0

2
3 x
3
0
+ o(
2
). (4.10)
Le membre de droite de (4.10) depend de , on le note r() et on obtient pour dierentes
valeurs de le tableau suivant
r() r()
10
1
0,996666666666667 10
7
0,999999999999997
10
2
0,999966666666667 10
8
1,000000000000000
10
3
0,999999666666667 10
9
1,000000000000000
10
4
0,999999996666667 10
10
1,000000000000000
10
5
0,999999999966667 10
11
1,000000000000000
10
6
0,999999999999667 10
12
1,000000000000000
Tab. 4.1 Methode de la variable complexe
4.1.2.3 Linearisation
Pour reduire linuence de , une approche utilisee dans le calcul variationnel est de
calculer avec les dierences nies uniquement les derivees partielles. Ainsi, si on note K =
e
i
et C =
K
CK la variation de C, on obtient par linearisation de E(K, C(K)) = 0
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
E
C
C =
E
K
K [E(K + K
i
, C(K + K
i
)) E(K, C(K))] (4.11)
On calcule ensuite la variation totale du gradient de J par rapport à K
dJ
dK
=
J
K
+
J
C
C
K
(4.12)
o` u les derivees partielles sont calculees par dierences nies sauf
C
K
qui est obtenue en
resolvant (4.11). Cependant, comme pour les deux methodes precedentes, le co ut du calcul
reste toutefois proportionnel à la taille du vecteur K.
4.1.2.4 Methode de letat adjoint
On a vu dans le chapitre 3 que la methode de letat adjoint permettait, en resolvant
seulement deux systèmes dequations aux derivees partielles, dobtenir le gradient de la
fonction co ut. Si on prend comme modèle (3.1) avec F denit par (4.2), alors le gradient
est donne par la formule (3.17)
J
K
=
_
T
0
_
F
K
_
P dt.
On voit que le co ut est proportionnel à la taille de la variable detat et à la taille du
paramètre de controle et quil reste à evaluer le terme
F
K
(par exemple par dierences
nies ou par dierentiation automatique).
En pratique, la bonne approche consiste à discretiser lequation detat, limplementer
dans un programme informatique (cest le code Traces) et ensuite dierentier ce code
(et donc les equations discrètes) en mode inverse par dierentiation automatique. Cette
methode est etroitement liee à letat adjoint ([52, 57, 92])
et nous permet de calculer le

gradient de fa con exacte. Cest cette technique que nous utiliserons par la suite.
On aurait aussi pu, en vue dobtenir le code adjoint, denir un Lagrangien discret
et les equations adjointes discrètes associees aux equations discrètes du code direct et
ainsi calculer un gradient discret qui aurait ete exact. Cependant, cette methode est très
longue à mettre en place et toute modication du code source entrane une modication
du code adjoint. Cest pour cette raison que nous avons choisi dautomatiser la procedure
dobtention du code adjoint.
4.2 Dierentiation automatique du code par Tapenade
4.2.1 Generalites sur la dierentiation automatique
Denition 4.1 On appelle variables dependantes les variables de sorties dont on veut les
derivees.
Denition 4.2 On appelle variables independantes les variables dentrees par rapport aux-
quelles les variables de sorties seront dierentiees.
Denition 4.3 On appelle variables actives des variables dependantes ou independantes.
Ces trois references nous donnent les grands principes de la dierentiation automatique (denitions, temps
memoire, co ut, etc...) et comparent dierents outils de dierentiation.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
4.2 Dierentiation automatique du code par Tapenade 63
Pour deriver tout ou partie dun code, il convient dabord didentier les variables
actives, qui sont celles par rapport auxquelles on va deriver, et les variables passives qui
y interviennent. Les variables actives sont tout simplement celles qui sont modiees. Par
exemple, les variables detat C (la concentration) et h (la charge) sont actives. A chaque
variable active (appelee variable directe) on associe une variable tangente .
4.2.1.1 Principe de la derivation automatique
Dans ce paragraphe, on explique la fa con de proceder sur un exemple pour generer le
code tangent et le code adjoint. On considère la ligne de code suivante :
x = ay + bz
2
+ cf(t) + d (4.13)
o` u x, y, z et t sont les variables actives, a, b, c et d sont des variables passives et f est une
fonction au moins C
1
. Le code tangent doit permettre de calculer x au premier ordre,
lorsque toutes les variables actives sont perturbees en + . On commence donc par
perturber la ligne (4.13) :
x + x = a(y + y) + b(z + z)
2
+ cf(t + t) + d
= a(y + y) + b(z
2
+ 2zz + (z)
2
) + c(f(t) + tf
(t) + o(t)) + d. (4.14)

Puis on ne garde que les termes dordre au plus 1, et enn on soustrait x pour avoir :
x = ay + 2bzz + cf
(t)t. (4.15)
Le code tangent est le code devolution des variables tangentes et on peut remarquer
quil fait intervenir les variables directes, qui devront donc etre stockees, dès que celles-ci
interviennent de manière non-lineaire. Finalement, pour une ligne de code faisant intervenir
des fonctions aux moins C
1
, deriver un code revient à un simple calcul de dierentielle.
Les dicultes commencent lorsque les fonctions qui interviennent ne sont plus derivables.
Le code adjoint est obtenu par transposition du code tangent. Comme precedemment,
nous ne rentrons pas dans les details et nous nous contenterons dillustrer lidee generale
sur un exemple. Pour transposer la ligne (4.15), on lecrit sous forme matricielle :
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
_
=
_
_
_
_
_
_
0 a 2bz cf
(t)
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
_
(4.16)
Puis on transpose (4.16)
_
_
_
_
_
_
x
_
_
_
_
_
_
=
_
_
_
_
_
_
0 0 0 0
a 1 0 0
2bz 0 1 0
cf
(t) 0 0 1
_
_
_
_
_
_
_
_
_
_
_
_
x
_
_
_
_
_
_
(4.17)
o` u
est appele variable adjointe de . Enn on revient au code en ligne, en executant les
instructions (4.17) dans lordre inverse, de la dernière ligne à la première, i.e.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
_
_
t
= t
+ cf
(t)x
= z
+ 2bzx
= y
+ ax
= 0
(4.18)
Les quatre lignes (4.18) sont appelees code adjoint de la ligne (4.13).
On peut resumer lobtention du code adjoint en trois etapes
1. deriver les instructions,
2. inverser lordre des instructions,
3. transposer chaque instruction.
4.2.1.2 Dicultes
Les principales dicultes resident dans la non derivabilite (eventuelle) de certaines
fonctions et la gestion de la memoire du code adjoint. Nous venons de voir dans (4.15) et
(4.18) que lorsque le code direct nest pas lineaire, les valeurs des variables directes sont
requises dans les codes tangent et adjoint. Pour obtenir ces valeurs au fur et à mesure de
lexecution du code tangent (puis du code adjoint) il existe plusieurs possibilites :
1. stocker toutes les valeurs en memoire, ce qui est possible si les vecteurs ne sont pas
de trop grande taille ;
2. ecrire toutes les valeurs dans des chiers sur le disque de la machine, et les consulter
au fur et à mesure en accedant au disque, ce qui augmente le temps de calcul ;
3. recalculer les valeurs au fur et à mesure, ce qui peut etre aussi extremement co uteux ;
4. ecrire une partie des valeurs sur le disque, les consulter au fur et à mesure et recalculer
les valeurs intermediaires non stockees ;
5. ecrire une partie des valeurs sur le disque, les consulter au fur et à mesure et les
interpoler pour approcher les valeurs intermediaires non stockees.
Le choix de la methode depend bien s ur de la taille du problème et de ses particularites,
notamment son caractère faiblement ou fortement non lineaire. Il faut garder à lesprit que
les accès au disque prennent beaucoup de temps et que les points 1 et 5 doivent etre
preferes dès que possible. En ce qui concerne Tapenade, il privilegie lapproche 2, tout en
proposant des evolutions vers lapproche intermediaire 4.
4.2.2 Presentation de Tapenade
Tapenade est le successeur dOdyssee qui f ut developpe par lequipe Sar de lINRIA
Sophia-Antipolis. Loutil Tapenade, developpe par lequipe Tropics à lINRIA [92], calcule
les derivees directionnelles (mode tangent) et les gradients dun code ecrit en fortran 77
ou en fortran 90/95.
La dierentiation automatique ([52, 57, 59]) est une technique pour evaluer les derivees
dune fonction denie par un programme informatique. La dierentiation automatique,
comme les dierences divisees, demande seulement le programme original P. Mais à la
place dexecuter P sur plusieurs jeux dentrees, le logiciel de dierentiation construit un
nouveau programme augmente P
, qui calcule les derivees analytiques le long du pro-

gramme original. Ce nouveau programme est appele le programme dierentie. Chaque fois
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
que le programme original prend la valeur X en entree, le programme dierentie prend une
valeur supplementaire dX, la dierentielle de X.
P(X + dX) P(X)
(X).dX
Tapenade est basee sur la transformation de source
, qui consiste à ajouter au pro-

gramme les nouvelles variables, tableaux, et structures de donnees qui contiendront les
derivees, et à ajouter les nouvelles instructions qui calculent ces derivees. Le programme
qui en resulte peut etre compile en un code ecace. Dautres logiciels, comme ADOL-
C [1], sont bases sur la surcharge doperateurs qui consiste à dire au compilateur que
chaque nombre reel est remplace par une paire de nombres reels, le deuxième prenant la
dierentielle. Pour plus dinformations sur la manière dont sont calculees les derivees, on
renvoie au site de lequipe Tropics http://www-sop.inria.fr/tropics/.
Tapenade peut fonctionner en mode tangent (derivees directionnelles) et en mode in-
verse (gradients). Nous allons detailler ces deux modes dans les paragraphes suivants.
4.2.2.1 Fonctionnalites de Tapenade
En dierentiation automatique, on identie les programmes avec des sequences dins-
tructions, elles-memes identiees avec des fonctions composees. Precisement, la sequence
dinstructions
I
1
; I
2
; . . . ; Ip 1; Ip;
est identiee à la fonction :
f = f
p
f
p1
f
1
.
Le code direct peut donc etre represente par une sequence dinstructions. Si on prend
K comme vecteur dentree, le code de simulation Traces est identie à
K
f
1
f
1
(K)
f
2
f
2
f
1
(K)
f
3

f
p
f(K) = f
p
f
1
(K)
e
J
c
o` u c R est la valeur de la fonction co ut J(K).
Mode tangent
En mode tangent, le programme dierentie est juste une copie du programme original,
les instructions contenant les derivees sont inserees avant chaque instruction qui implique
des variables actives.
Pour une sortie c = J(K) =

J f
p
f
p1
f
1
(K) du code direct, le code tangent
retourne (formellement)
c =

J
(f(K)).f
p
(K
p1
).f
p1
(K
p2
) . . . f
1
(K
0
) K (4.19)
o` u les K
n
, n = 1, ..., p 1, sont les valeurs des variables juste après avoir execute les
n premières fonctions (on pose K
0
= K) et les f
n
, n = 1, ..., p 1, sont les matrices
Jacobiennes.
Le code tangent doit permettre de calculer la variation co ut c associe à une variation
K du paramètre. On a la relation suivante liant le gradient à la variation K
c = (J(K), K). (4.20)
On peut egalement citer le compilateur TAMC [91] pour le langage fortran.

t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Donc si on prend K = e
i
o` u e
i
est le i
ème
vecteur de base, alors la formule (4.20)
nous donne la i
ème
composante du gradient. Cette methode necessite N integrations (la
longueur de K) du code tangent et une integration du code direct.
Mode inverse
En mode inverse, le programme genere par Tapenade calcule le gradient de la fonction
co ut. Partant du code tangent (4.19), on obtient que
c =

J
(f(K)).f
p
(K
p1
).f
p1
(K
p2
) . . . f
1
(K
0
) K (4.21)
= (
(f(K)).f
p
(K
p1
).f
p1
(K
p2
) . . . f
1
(K
0
) K, 1)
R
(4.22)
= (f
p
(K
p1
).f
p1
(K
p2
) . . . f
1
(K
0
) K,

J
(f(K))
T
1)
R
(4.23)
.
.
.
= ( K, [f
1
(K
0
)]
T
. . . [f
p
(K
p1
)]
T
[
(f(K))]
T
1)
R
. (4.24)
Finalement avec (4.20), on arrive à
J(K) = [f
1
(K
0
)]
T
. . . [f
p
(K
p1
)]
T
[
(f(K))]
T
1. (4.25)
Cependant, on observe que les K
n
sont requis dans lordre inverse du calcul. Si le
programme original reecrit une partie des K
n
, le programme dierentie doit les restaurer
avant quils soient utilises par f
n+1
(K
n
).
4.2.2.2 Checkpointing
Tapenade utilise la strategie Store All : les K
n
sont restaures à partir dune pile
en cas de besoin. Cette pile est remplie au cours dune execution preliminaire du pro-
gramme, appele le balayage avant, qui stocke les variables additionnelles dans la pile
juste avant quelles ne soient reecrites. On peut voir sur la gure 4.2 quavant chaque
instruction du balayage avant, des valeurs sont sauvees (points noirs) et quelles sont res-
taures (points blancs) juste avant leurs instructions derivees correspondantes pendant le
balayage arrière.
Fig. 4.2 Strategie Store All
Cette strategie a besoin dun compromis particulier, appele checkpointing, entre le
stockage et le recalcul pour etre vraiment rentable. Le checkpointing consiste à selectionner
une partie du programme, et à ne pas stocker les valeurs ecrasees par cette partie, au prix
dune memorisation supplementaire de letat complet du programme, que nous appelons
une photo. Le checkpointing semble etre la meilleure solution pour gerer la memoire.
Le resultat du checkpointing sur la partie P avec le mode Store All est montre sur le haut
de la gure 4.3. La photo (gros point noir) memorise letat du programme juste avant P ce
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
qui necessite de dupliquer lexecution de P et engendre donc un co ut supplementaire. La
partie du bas de la gure 4.3 montre lexecution du programme quand il y a de nombreux
points de controle imbriques : moins de valeurs sont memorisees, mais il en co ute des photos
et des executions supplementaires.
Fig. 4.3 Checkpointing
4.2.2.3 Utilisation de Tapenade
Il faut preciser à Tapenade plusieurs choses avant de dierentier le code :
la routine dans laquelle se trouve la fonction à deriver (dans notre cas cest traces0) ;
les variables dentrees, qui dans notre cas sont la porosite et le ccient de diusion,
et la variable de sortie, i.e. la valeur de la fonction co ut (la variable par rapport à
laquelle on va deriver) ;
le mode (tangent ou adjoint).
Après les dierentes etapes decrites ci-dessus, on lance Tapenade qui analyse tout
dabord les routines (avec un parser fortran) ce qui lui permet davoir larchitecture du
code ainsi que les dependances entre les routines et les variables. A la suite de ca, Tape-
nade garde les routines dont il a besoin et commence la dierentiation du code à proprement
dit.
Remarque 4.1 Tapenade rajoute la lettre d aux variables dierentiees en mode tangent
et la lettre b en mode adjoint ainsi que le terme d aux noms des routines dierentiees
en mode tangent et le terme b en mode adjoint.
4.2.2.4 Code adjoint genere par Tapenade
Si on reprend la structure du code Traces (cf. section 2.4.1), on a comme architecture
du code adjoint de Traces un diagramme similaire au diagramme 2.2.
Remarque 4.2 Les routines traces et calcul traces napparaissent pas dans larbores-
cence du code adjoint de Traces car elles ne sont pas dierentiees. En eet, après analyse
du code, Tapenade na trouve dans ces routines aucune ligne de code ` a deriver, il ne les a
donc pas prises en compte lors de la dierentiation.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
TRACES0 B

COMP TRANS B
COMP HYDRO B
COMP SPECIE B
Fig. 4.4 Architecture du code adjoint de Traces
TRACES
TRACES0 B

ONETIMESTEP B
FCT COUT B
FCT COUT B
Fig. 4.5 Structure du chier traces0 b.f90
Gradients
Pour generer le code adjoint, on lance Tapenade en mode inverse : celui-ci nous renvoie
les routines dierentiees, la routine de tete etant traces0 b (gure 4.4). Le gradient de
la fonction co ut est alors accessible dans la variable costb de la routine fct cout b (cf.
section 2.4.1 et remarque 4.1). Une fois le gradient de la fonction co ut calcule, il ne reste
plus quà le transmettre à loptimiseur pour commencer la minimisation.
Le tableau 4.2 donne les grandes lignes de lalgorithme de resolution numerique du
problème inverse qui a ete mis en place au chapitre 3.
Algorithme 4.1 Resolution numerique du problème inverse
1: Donnees (entrees du code) : vecteur x
0
:= (, D)
2: while J(x
k
) ,= 0 do
3: call traces0
4: J(x
k
) = cost
5: call traces0 b
6: J(x
k
) = costb
7: Tester la convergence
- si le minimum est atteint, stop
- sinon x
k+1
= x
k

k
B
1
k
J(x
k
) et retour à letape 3
8: end do
Tab. 4.2 Algorithme de resolution numerique du problème inverse
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
4.3 Du point de vue numerique 69
4.3 Du point de vue numerique
4.3.1 Validation des codes generes automatiquement
An de valider le code adjoint, i.e. verier que le gradient obtenu avec le code adjoint
genere par Tapenade est juste, on fait generalement le test du gradient. Cest une fa con
de comparer la valeur du gradient calculee par le code adjoint à celle obtenue par les
dierences divisees. Si on prend notre vecteur des paramètres K R
N
et K R
N
avec
|K| = 1, on a
J(K + K) J(K) = J(K), K) + o (|K|). (4.26)
Si pour toute direction de perturbation K, on verie
r() =
J(K + K) J(K)
J(K), K)

0
1 (4.27)
alors le test du gradient est satisfait. Ce test permet de savoir si le code adjoint four-
nit un calcul exact du gradient. En regardant les valeurs calculees (pour une direction
donnee) dans le tableau 4.3, on peut etre conant sur la valeur du gradient obtenue avec
le generateur automatique de code Tapenade. On voit en eet que pour les valeurs de
comprise entre 10
7
et 10
16
, le rapport r() est quasiment egal à 1. A partir de 10
17
, on
est lie à la precision machine, il nest donc pas etonnant dobtenir des valeurs aberrantes
pour 10
17
.
Il est très important de faire ce test avant dutiliser un algorithme de minimisation
car transmettre un gradient faux ou imprecis à loptimiseur ne permet pas de converger
vers la solution du problème. De plus, les sources derreurs provenant de la resolution
numerique des problèmes inverses peuvent etre assez nombreuses (cf. section 5.1), il est
donc necessaire detre s ur des valeurs numeriques du gradient.
r()
10
5
0,1639988539827272
10
6
0,7476895636206117
10
7
0,9668650856806020
10
8
0,9965739403864012
10
9
0,9996562197586708
10
10
0,9999656160742779
10
11
0,9999965826243937
10
12
1,0000010094292604
10
13
0,9999999531686156
r()
10
14
1,0001224546473169
10
15
0,9993793587795462
10
16
1,0148354227477239
10
17
1,1169131116352610
10
18
0,4538619958621305
10
19
9,4485815502207180
10
20
2,8882127009408310
10
21
16,504072576804750
10
22
0,0
Tab. 4.3 Precision du test du gradient
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
4.4 Conclusion
4.4.1 Resume
Dans ce dernier paragraphe, nous resumons letude qui a ete faite sur lestimation de
paramètres (chapitre 3) par un diagramme (gure 4.6) qui retrace le cheminement suivi.
Modèle direct Modèle adjoint
Code direct Code adjoint
Fonction co ut Gradient
, D
Methode de
letat adjoint
Discretisation
Tapenade
(D.A.)
N2QN1
Fig. 4.6 Diagramme de resolution du problème inverse
4.4.2 Discussion sur la dierentiation automatique
Tapenade est un outil ecace pour obtenir des derivees directionnelles ou des gradients
car il permet la production automatique des derivees et des instructions adjointes. En
outre, la dierentiation automatique peut etre un outil très interessant pour verier une
dierentiation manuelle. Cependant, les codes produits par dierentiation automatique
nutilisent generalement pas la memoire de lordinateur de manière très ecace. La sauve-
garde du modèle direct est le problème majeur. Il faut egalement preciser que dans notre
cas la dierentiation automatique a bien fonctionne mais il y a eu beaucoup de travail pour
arriver à obtenir un code adjoint correct ainsi quun gradient juste (cf. chapitre 1 section
1.4.3, chapitre 2 section 2.4.1, chapitre 3 section 3.3.5).
Actuellement, le code tangent prend (en moyenne) environ 3 fois le temps de calcul du
code direct et le code adjoint 7 fois. Une future etape de notre travail consisterait donc à
optimiser la methode de checkpointing en utilisant lalgorithme binomial de Griewank &
Walther [55] qui nous donnerait un compromis optimal entre le temps et la consommation
memoire.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Chapitre 5
Estimation de paramètres
Sommaire
5.1 Generalites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2 Resultats numeriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1 Cas-test colis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1.1 Donnees non bruitees . . . . . . . . . . . . . . . . . . . . . . . 73
5.2.1.2 Donnees bruitees . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.2.2 Cas-test reel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
72 Chapitre 5. Estimation de paramètres
An de tester la validite de la methode presentee dans le chapitre 3 et de voir les pos-
sibilites et les limites de lalgorithme, nous avons eectue un grand nombre de simulations
que nous presentons dans ce chapitre. Après un paragraphe introductif, nous exposons les
resultats obtenus pour les deux cas-tests denis au chapitre 2.
5.1 Generalites
Nous avons genere les donnees de concentration avec le code direct. On parlera ainsi de
donnees synthetiques pour les distinguer des donnees reelles issues de mesures experimen-
tales (comme pour lexperience DIR). Cest à partir de ces donnees de concentration quon
essaye de determiner la diusion et la porosite. Comme nous lavons mentionne dans le
chapitre 1, lavantage dutiliser des donnees synthetiques est que lon peut comparer la
porosite et le champ de diusion obtenus en resolvant le problème inverse avec la porosite
et le champ de diusion initiaux (qui sont en pratique inconnus). Ce travail est absolument
indispensable puisque dans un premier temps il va nous servir à valider les methodes
employees et dans un second temps les equipes de lAndra lutiliseront pour linversion sur
les donnees reelles issues du laboratoire souterrain de Bure.
La première chose à faire, avant de commencer les tests, est de verier le calcul du
gradient obtenu par dierentiation automatique en comparant sa valeur avec celle calculee
par dierences nies. Nous avons obtenu des valeurs très satisfaisantes pour la validation
du gradient et nous renvoyons à la section 4.3.1 du chapitre 4 pour les resultats. Cette
validation est importante pour plusieurs raisons, la principale etant que si lon transmet
un gradient imprecis à loptimiseur, lalgorithme risque de ne pas converger vers la solution
du problème. De plus, lalgorithme peut tomber dans un minimum local et ne plus en
sortir, le problème direct peut etre mal formule, les donnees peuvent etre en quantite
insusantes pour identier les paramètres, etc. Pour toutes ces raisons, il est important
de valider le gradient an de mieux cerner les problèmes rencontres.
On teste dans cette section les performances de lalgorithme dinversion dans dierentes
simulations numeriques. Nous traiterons pour chacun des deux cas-tests le cas de donnees
synthetiques non bruitees puis le cas de donnees synthetiques bruitees.
5.2 Resultats numeriques
5.2.1 Cas-test colis
On rappelle que le domaine considere mesure 60 m de longueur par 40 m de largeur et
quil est constitue de deux zones dont lune (zone bleue) contient le colis (le radionucleide).
Les valeurs des paramètres (constants par zones) sont donnees par la dernière colonne du
tableau 5.1. La diusion est exprimee en m
2
/an et la porosite est sans unite. La fonction
co ut est exprimee par la formule (3.21). Les poids et ont ete xes à 1.
La resolution du problème direct permet dobtenir les valeurs de concentration à tous
les pas de temps dans
2
et les valeurs à linstant nal dans , qui a ete reduit pour
les mesures à une droite situee à 20 m du bord superieur du rectangle (cf gure 2.5). La
simulation sest eectuee sur 1000 ans avec un pas de temps de calcul de 15 ans. Ce sont
ces donnees de concentration que lalgorithme va essayer dajuster en modiant au cours
des iterations les paramètres du modèle.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
5.2 Resultats numeriques 73
5.2.1.1 Donnees non bruitees
Le nombre de paramètres à identier selève à quatre : un paramètre de diusion et de
porosite par zone. Les resultats de linversion sont exposes dans le tableau 5.1 : la deuxième
colonne montre les valeurs initiales donnees au minimiseur, la troisième colonne presente les
paramètres identies et la dernière colonne rappelle les valeurs reelles. Le tableau montre
que lidentication a parfaitement fonctionne. Lalgorithme a necessite 57 iterations pour
converger vers la bonne solution.
La recherche des paramètres de diusion sest realisee entre les valeurs 10
12
m
2
/an
(borne inferieure) et 10
1
m
2
/an (borne superieure) et ceux de porosite entre 0,01 % et
100 %. Leurs evolutions au cours des iterations, ainsi que celle de la fonction co ut et du
gradient, sont presentees sur la gure 5.1.
Paramètres initiaux identies reels
D
1
0.001 9,4999999999.10
7
9,5.10
7
D
2
0,001 0,0002000000 0,0002
1
0,1 0,0009999999 0,001
2
0,1 0,3000000000 0,3
Tab. 5.1 Valeurs identiees pour le cas-test colis sans bruit
Plusieurs autres tests ont ete realises en partant dautres donnees initiales. Lalgorithme
a egalement converge vers la solution exacte entre 40 et 100 iterations suivant les valeurs
de depart.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 10 20 30 40 50 60
10
4
10
3
10
2
10
1
10
0
Iterations
P
o
r
o
s
i
t
e

1
identifie
1
reel
0 10 20 30 40 50 60
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
Iterations
P
o
r
o
s
i
t
e

2
identifie
2
reel
0 10 20 30 40 50 60
10
7
10
6
10
5
10
4
10
3
Iterations
D
i
f
f
u
s
i
o
n

D
1
identifie
D
1
reel
D
2
identifie
D
2
reel
0 10 20 30 40 50 60
10
50
10
45
10
40
10
35
10
30
10
25
10
20
Iterations
V
a
l
e
u
r
s

fonction cout
0 10 20 30 40 50 60
10
40
10
35
10
30
10
25
10
20
10
15
Iterations
V
a
l
e
u
r
s

gradient (D
1
)
gradient (D
2
)
gradient (
1
)
gradient (
2
)
(en valeur absolue)
Fig. 5.1 En haut : evolution des 2 paramètres de porosite en echelle semi-log à gauche. Au
milieu à gauche : evolution des 2 paramètres de diusion en echelle semi-log. Au milieu à droite :
evolution de la fonction co ut en echelle semi-log. En bas ` a gauche : evolution des 4 composantes
du gradient en echelle semi-log.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Remarque 5.1 La minimisation sarrete dans lun des cas suivants :
le nombre maximal diterations a ete atteint,
N2QN1 est tombe sur lun de ces critères darret,
le pas de descente est devenu trop petit,
la direction de descente nen est plus une.
5.2.1.2 Donnees bruitees
On se donne maintenant des donnees synthetiques bruitees. La loi de distribution choisie
pour la generation du bruit est une loi uniforme, de moyenne nulle, et normalisee à la meme
taille que les observations. Cest une loi simple qui a lavantage detre facile à implementer.
Le bruit est donc au depart normalise à la meme taille que les observations puis on applique
un ccient multiplicatif pour regler le niveau du bruit, proportionnellement aux donnees,
avec un rapport ajustable (dans le test ci-dessous, il a par exemple ete xe à 5%).
La recherche des paramètres de diusion sest realisee entre les valeurs 10
12
m
2
/an
1
m
2
/an (borne superieure) et ceux de porosite entre 0,01 % et 100
%. Lalgorithme a tourne un peu plus longtemps (83 iterations) que dans le cas sans bruit
(57 iterations) mais il na pas reussi à converger complètement vers la solution puisque
seuls les paramètres de la zone
2
ont ete correctement identies.
Il nest pas etonnant que les paramètres dans
1
(zone la plus grande) soient mal
identies, on a en eet moins dinformations dans cette zone du à un phenomène de diusion
assez lent et aux mesures faites seulement à linstant nal sur une droite eloignee du colis.
Mais, comme on le verra dans la suite, le fait de mettre des poids adaptes permettra de
reequilibrer les deux termes de la fonction co ut et ainsi davoir une meilleure identication
des paramètres (cf. section 5.2.2.1). De plus, le bruit a ete genere de la meme manière dans
les trois zones, cest-à-dire quil y a (pour un bruit de 5%) une erreur sur la concentration
comprise entre 0 et 0, 05. Donc proportionnellement, il y a très peu de bruit dans le colis
(0.05 sur des valeurs de concentration de lordre de 1, cest très faible) et beaucoup plus
loin du colis (là o` u la concentration est quasi nulle), il y a un bruit très grand.
D
1
0.001 1,0000000000.10
12
9,5.10
7
D
2
0,001 0,0002025143 0,0002
1
0,1 1,0225269332.10
9
0,001
2
0,1 0,3042499904 0,3
Tab. 5.2 Valeurs identiees avec un bruit de 5%
Levolution des paramètres au cours des iterations, ainsi que celle de la fonction co ut
et du gradient, est presentee sur la gure 5.2.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 10 20 30 40 50 60 70 80 90
10
10
10
8
10
6
10
4
10
2
10
0
Iterations
P
o
r
o
s
i
t
e

1
identifie
1
reel
0 10 20 30 40 50 60 70 80 90
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
Iterations
P
o
r
o
s
i
t
e

2
identifie
2
reel
0 10 20 30 40 50 60 70 80 90
10
12
10
10
10
8
10
6
10
4
10
2
Iterations
D
i
f
f
u
s
i
o
n

D
1
identifie
D
1
reel
0 10 20 30 40 50 60 70 80 90
10
5
10
4
10
3
Iterations
D
i
f
f
u
s
i
o
n

D
2
identifie
D
2
reel
0 10 20 30 40 50 60 70 80 90
10
25
10
24
10
23
10
22
Iterations
V
a
l
e
u
r
s

fonction cout
0 10 20 30 40 50 60 70 80 90
10
35
10
30
10
25
10
20
10
15
Iterations
V
a
l
e
u
r
s

gradient (D
1
)
gradient (D
2
)
gradient (
1
)
gradient (
2
)
(en valeur absolue)
Fig. 5.2 En haut : evolution des 2 paramètres de porosite en echelle semi-log à gauche. Au
milieu : evolution des 2 paramètres de diusion en echelle semi-log. En bas à gauche : evolution
de la fonction co ut en echelle semi-log. En bas à droite : evolution des 4 composantes du gradient
en echelle semi-log.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
5.2.2 Cas-test reel
Le problème etant symetrique (comme pour le problème direct), nous le resolvons uni-
quement sur la moitie du domaine. On rappelle que le domaine mesure 0, 4 m de longueur
par 2 m de largeur et quil est constitue de trois zones. La diusion est exprimee en m
2
/s
et la porosite est sans unite. La fonction co ut est exprimee par la formule (3.43).
La resolution du problème direct permet dobtenir les valeurs de concentration à tous
les pas de temps dans
2
et les valeurs à linstant nal dans les domaines
i
, i = 1, ..., 3, qui
ont ete reduits pour les mesures à deux droites horizontales dequation y = 1 et y = 0, 9
et une droite verticale dequation x = 0 (cf gure 2.6). La simulation sest eectuee sur
1000 jours avec un pas de temps de calcul dune demi-journee. Ce sont ces donnees de
concentration que lalgorithme va essayer dajuster en modiant au cours des iterations les
paramètres du modèle.
Cas non adimensionne
Nous essayons dans un premier temps didentier les six paramètres : un paramètre
de diusion et de porosite par zone. Les poids et ont ete xes à 1. La recherche des
paramètres de diusion sest realisee entre les valeurs 10
12
m
2
/an (borne inferieure) et
10
6
m
2
/an (borne superieure) et ceux de porosite entre 10 % et 2000 %. Lalgorithme de
minimisation a tourne pendant 36 iterations sans arriver à converger. Les valeurs obtenues
sont donnees dans le tableau 5.3.
D
1
1, 1.10
11
9, 7113117670.10
12
1, 0.10
11
D
2
1, 1.10
6
1, 1000000000.10
6
1, 0.10
6
D
3
9, 0.10
11
1, 6260743312.10
10
1, 0.10
10
1
0, 21 0, 2100000000 0, 2
2
11, 0 11, 000000000 10
3
0, 29 0, 2900000000 0, 3
Tab. 5.3 Identication des 6 paramètres
La dernière colonne du tableau montre que la diusion na pas ete correctement iden-
tiee et que la porosite na pas bouge de sa valeur initiale. Dautres tests ont ete realises
en partant de donnees initiales dierentes. Lalgorithme na pas reussi à retrouver les pa-
ramètres reels.
Remarque 5.2 Dans de nombreuses simulations, le minimiseur a souvent commence par
ajuster les valeurs de diusion avant celles de porosite.
Ce test nayant pas ete concluant, nous avons decide de prendre pour valeurs intiales
les valeurs reelles des paramètres dans les zones
2
(zone dinjection) et
3
(zone endom-
magee). Les resultats sont exposes dans le tableau ci-dessous. Lalgorithme de minimisation
na eectue que 7 iterations sans arriver à converger : la valeur de diusion D
1
identiee
nest pas celle recherchee et la valeur de porosite
1
est restee bloquee à sa valeur initiale.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
D
1
1, 5.10
11
9, 6624324494.10
12
1, 0.10
11
D
2
1, 0.10
6
9, 9999999999.10
7
1, 0.10
6
D
3
1, 0.10
10
9, 9578195668.10
11
1, 0.10
10
1
0, 21 0, 2100000000 0, 2
2
10 10, 000000000 10
3
0, 3 0, 3000000000 0, 3
Tab. 5.4 Identication des 2 paramètres de la zone
1
La dierence dordre de grandeur entre les ccients de diusion et de porosite etant
très grande (de 10
5
à 10
12
), elle peut avoir une inuence sur les composantes du gradient
de la fonction co ut et donc sur le choix de la direction de descente de lalgorithme de
minimisation. Cest pourquoi, nous avons essaye didentier les ccients de diusion et
de porosite separement (en xant dans les deux cas lautre paramètre à sa valeur reelle).
Nous sommes partis avec les memes conditions initiales que dans le premier test (i.e. avec
des valeurs proches de celles recherchees). Pour la porosite, lalgorithme a converge en 31
iterations vers la bonne solution (tableau 5.5) et pour la diusion, lalgorithme a converge
en 28 iterations (tableau 5.6).
1
0, 21 0, 20000000006250 0, 2
2
11, 0 10, 0000000073096 10
3
0, 29 0, 30000000038500 0, 3
Tab. 5.5 Identication de la porosite
D
1
1, 1.10
11
1, 0000043918.10
11
1, 0.10
11
D
2
1, 1.10
6
1, 1000000000.10
6
1, 0.10
6
D
3
9, 0.10
11
9, 9998884949.10
11
1, 0.10
10
Tab. 5.6 Identication de la diusion
Cas adimensionne
Comme nous lavons explique dans le paragraphe precedent, les ordres de grandeur entre
les ccients de diusion et de porosite etant très grands, nous ne pouvons pas identier
les six paramètres en meme temps. Nous nous sommes egalement aper cus au cours des
tests que nous narrivions pas à identier les paramètres de la zone 2. Ce constat nest pas
redhibitoire car
2
constitue la zone dinjection du radionucleide, nous connaissons donc les
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
quantites introduites dans cette region. Pour cette raison, on se preoccupera seulement
des zones 1 et 3 dans la suite.
Nayant pas beaucoup de paramètres à identier (au maximum six), nous voudrions
pouvoir les determiner ensemble sans avoir à resoudre deux problèmes de minimisation
(un pour la diusion et un pour la porosite). Dans ce but, nous avons adimensionne les
paramètres dans lequation (1.6). Ainsi, la vitesse de Darcy et le terme source etant nuls,
nous avons pose
D = 10
10
D
(5.1)
= 10
10
(5.2)
t = 10
10
t
(5.3)
avec
D
=
_
_
10
1
dans
1
10
4
dans
2
1 dans
3
(5.4) =
_
_
0, 2 dans
1
10 dans
2
0, 3 dans
3
(5.5)
ce qui nous permet davoir les valeurs des quatres paramètres à identier (D
1
, D
3
,
1
et
3
) proches de lunite.
Dans toute la suite, on assimilera D à D
et on xe les valeurs dans

2
à 10 pour la
porosite et à 10
4
pour la diusion. On prend comme poids pour la fonction co ut (3.43)
= 1 et =
40 2000
103
o` u 40 designe le nombre de mailles o` u on mesure la concentration à tous les instants dans
2
, 103 le nombre de mailles o` u on mesure la concentration à linstant nal sur les droites
i
avec i = 1, . . . , 3 et 2000 le nombre de pas de temps de la simulation. Ces nouveaux
poids permettent davoir les deux termes de la fonction co ut du meme ordre (cf gure 5.3).
A partir de ces nouvelles donnees, nous relancons une minimisation. Lalgorithme a
converge après 82 iterations. Les resultats sont exposes dans le tableau ci-dessous : nous
sommes partis de valeurs initiales assez eloignees des valeurs reelles et on voit que liden-
tication a parfaitement fonctionne.
D
1
5.10
4
0, 0999999999 0, 1
D
3
1.10
2
0, 9999999999 1, 0
1
5.10
3
0, 1999999999 0, 2
3
2.10
3
0, 3000000000 0, 3
Tab. 5.7 Identication dans les zones 1 & 3
Dans la suite, on ne traite plus que le cas dit adimensionne puisquil donne des
resultats satisfaisants. Dans toutes les simulations qui suivent, la recherche des paramètres
de diusion sest realisee entre les valeurs 10
5
m
2
/an (borne inferieure) et 10
2
m
2
/an
(borne superieure) et ceux de porosite entre 0,01 % et 1000 %.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Remarque 5.3 Gr ace à ladimensionnement des paramètres et au choix adapte des poids
de la fonction co ut, on a obtenu de meilleurs resultats.
0 10 20 30 40 50 60 70 80 90
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Iterations
D
i
f
f
u
s
i
o
n

D
1
identifie
D
1
reel
D
3
identifie
D
3
reel
0 10 20 30 40 50 60 70 80 90
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Iterations
P
o
r
o
s
i
t
e

1
identifie
1
reel
3
identifie
3
reel
0 10 20 30 40 50 60 70 80 90
10
25
10
20
10
15
10
10
10
5
10
0
10
5
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 10 20 30 40 50 60 70 80 90
10
15
10
10
10
5
10
0
10
5
10
10
Iterations
V
a
l
e
u
r
s

gradient (D
1
)
gradient (D
3
)
gradient (
1
)
gradient (
3
)
(en valeur absolue)
Fig. 5.3 En haut à gauche : evolution des 2 paramètres de diusion. En haut à droite : evolution
des 2 paramètres de porosite. En bas à gauche : evolution de la fonction co ut en echelle semi-log
(la partie temporelle est en magenta, la partie correspondant à letat nal est en bleu et le co ut
total est en cyan). En bas à droite : evolution des 4 composantes du gradient en echelle semi-log.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Denition 5.1 La solution de linversion est stable si elle est continue par rapport aux
donnees, i.e. une petite erreur sur les donnees entrane une petite erreur sur la solution.
Bruit absolu
Dans cette section, on utilise le meme bruit que pour le cas-test colis i.e. suivant une
loi uniforme, de moyenne nulle, et normalisee à la meme taille que les observations.
Dans le cas dun bruit de 3%, lalgorithme a converge en 79 iterations et les resultats
(tableau 5.8) montrent que la solution est bien approchee dans le cas dun bruit de faible
amplitude. Levolution des paramètres au cours des iterations, ainsi que celle de la fonction
co ut et du gradient, est presentee sur la gure 5.4.
En regardant le tableau ci-dessous, on remarque que le ccient de porosite
3
est
moins bien identie que les autres. La zone endommagee
3
est très mal observee donc dès
quil y a du bruit ce paramètre est plus dicilement identiable.
D
1
5.10
4
0, 0991029048 0, 1
D
3
2.10
2
0, 9411616874 1, 0
1
5.10
3
0, 1919263062 0, 2
3
2.10
3
0, 2349933192 0, 3
Tab. 5.8 Identication dans les zones 1 & 3 avec un bruit de 3%
Remarque 5.4 Dans tous les tests qui suivent, seule la valeur de
3
na pas bien ete
identiee.
Remarque 5.5 Comme pour le cas-test colis, le bruit a ete genere de la meme manière
dans les trois zones, i.e. proportionnellement il y a toujours très peu de bruit dans le colis
et un bruit eleve loin du colis.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 10 20 30 40 50 60 70 80
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Iterations
D
i
f
f
u
s
i
o
n

D
1
identifie
D
1
reel
D
3
identifie
D
3
reel
0 10 20 30 40 50 60 70 80
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Iterations
P
o
r
o
s
i
t
e

1
identifie
1
reel
3
identifie
3
reel
0 10 20 30 40 50 60 70 80
10
2
10
1
10
0
10
1
10
2
10
3
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 10 20 30 40 50 60 70 80
10
6
10
4
10
2
10
0
10
2
10
4
10
6
10
8
Iterations
V
a
l
e
u
r
s

gradient (D
1
)
gradient (D
3
)
gradient (
1
)
gradient (
3
)
(en valeur absolue)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
(tableau 5.9) montrent que les paramètres estimes sont proches des paramètres synthetiques
(excepte pour
3
). Levolution des paramètres au cours des iterations, ainsi que celle de la
fonction co ut et du gradient, est presentee sur la gure 5.5.
D
1
5.10
4
0, 0983638494 0, 1
D
3
1.10
2
0, 9025316218 1, 0
1
5.10
3
0, 1865508366 0, 2
3
2.10
3
0, 1929961117 0, 3
La zone endommagee
3
etant très mal observee, on constate quen augmentant le bruit
les paramètres associes à cette zone sont moins bien identies que ceux de la zone 1.
0 10 20 30 40 50 60 70 80
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Iterations
D
i
f
f
u
s
i
o
n

D
1
identifie
D
1
reel
D
3
identifie
D
3
reel
0 10 20 30 40 50 60 70 80
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Iterations
P
o
r
o
s
i
t
e

1
identifie
1
reel
3
identifie
3
reel
0 10 20 30 40 50 60 70 80
10
2
10
1
10
0
10
1
10
2
10
3
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 10 20 30 40 50 60 70 80
10
10
10
5
10
0
10
5
10
10
Iterations
V
a
l
e
u
r
s

gradient (D
1
)
gradient (D
3
)
gradient (
1
)
gradient (
3
)
(en valeur absolue)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Bruit relatif
Dans le paragraphe precedent, nous avons fait nos tests avec un bruit genere globa-
lement ce qui pouvait donner des mesures non signicatives dans la zone loin du colis
(concentration faible, bruit grand). Dans cette section, nous generons un bruit par rapport
à la concentration locale : si par exemple le bruit est de 5 %, on aura pour une concentra-
tion de 1 mol/m
3
un bruit de lordre de 0.05 sur la concentration et pour une concentration
de 10
4
mol/m
3
un bruit de lordre de 0.05 10
4
. De cette manière, lorsquon a peu de
concentration on genère peu de bruit et ainsi linuence du bruit est à peu près la meme
partout ce qui devrait degrader les performances dans toutes les zones de la meme fa con.
On presente dans cette section plusieurs tests realises avec un bruit croissant.
(tableau 5.10) montrent que la solution est bien approchee. On remarque que les ccients
dans le tableau ci-dessous sont mieux identies que dans le cas du bruit absolu sauf pour
3
. Levolution des paramètres au cours des iterations, ainsi que celle de la fonction co ut
D
1
5.10
4
0, 1011234413 0, 1
D
3
1.10
2
0, 9721319375 1, 0
1
5.10
3
0, 2028821108 0, 2
3
2.10
3
0, 2244285879 0, 3
Remarque 5.6 Toutes les simulations realisees montrent que dès quil y a du bruit (absolu
ou relatif ),
3
est dicilement identiable.
(tableau 5.11) montrent que la solution est bien approchee. On peut observer que les
valeurs des paramètres identies sont encore très satisfaisantes (toujours excepte pour
3
).
Levolution des paramètres au cours des iterations, ainsi que celle de la fonction co ut et
du gradient, est presentee sur la gure 5.7.
D
1
5.10
4
0, 1018767983 0, 1
D
3
1.10
2
0, 9552432582 1, 0
1
5.10
3
0, 2049359853 0, 2
3
2.10
3
0, 1729395267 0, 3
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 10 20 30 40 50 60 70 80 90
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Iterations
D
i
f
f
u
s
i
o
n

D
1
identifie
D
1
reel
0 10 20 30 40 50 60 70 80 90
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Iterations
D
i
f
f
u
s
i
o
n

D
3
identifie
D
3
reel
0 10 20 30 40 50 60 70 80 90
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
Iterations
P
o
r
o
s
i
t
e

1
identifie
1
reel
3
identifie
3
reel
0 10 20 30 40 50 60 70 80 90
10
2
10
1
10
0
10
1
10
2
10
3
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 10 20 30 40 50 60 70 80 90
10
10
10
5
10
0
10
5
10
10
Iterations
V
a
l
e
u
r
s

gradient (D
1
)
gradient (D
3
)
gradient (
1
)
gradient (
3
)
(en valeur absolue)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 10 20 30 40 50 60 70 80 90
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
Iterations
D
i
f
f
u
s
i
o
n

D
1
identifie
D
1
reel
0 10 20 30 40 50 60 70 80 90
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Iterations
D
i
f
f
u
s
i
o
n

D
3
identifie
D
3
reel
0 10 20 30 40 50 60 70 80 90
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Iterations
P
o
r
o
s
i
t
e

1
identifie
1
reel
3
identifie
3
reel
0 10 20 30 40 50 60 70 80 90
10
2
10
1
10
0
10
1
10
2
10
3
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 10 20 30 40 50 60 70 80 90
10
10
10
5
10
0
10
5
10
10
Iterations
V
a
l
e
u
r
s

gradient (D
1
)
gradient (D
3
)
gradient (
1
)
gradient (
3
)
(en valeur absolue)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Dans les deux tests qui suivent, nous avons voulu voir les limites de lalgorithme en
augmentant le bruit de fa con signicative : le premier test a ete realise avec un bruit de
10% et le second avec un bruit de 20%.
Dans le cas dun bruit de 10%, lalgorithme a tourne pendant 84 iterations et les
resultats (tableau 5.12) montrent que la solution reste assez bien approchee. On peut ob-
server que les valeurs des paramètres identies sont encore satisfaisantes (toujours excepte
pour
3
).
D
1
5.10
4
0, 1037084265 0, 1
D
3
1.10
2
0, 9223621477 1, 0
1
5.10
3
0, 2103435819 0, 2
3
2.10
3
0, 0491742038 0, 3
Dans le cas dun bruit de 20%, lalgorithme a itere 65 fois sans toutefois converger
vers les bonnes valeurs. On observe que les paramètres dans le tableau 5.13 sont beaucoup
moins bien identies par rapport aux autres simulations, ce qui nest pas très etonnant
avec un bruit aussi eleve. En ce qui concerne
3
, sa valeur a change au cours des iterations
pour se bloquer à la borne inferieure donne au minimiseur.
D
1
5.10
4
0, 0867632329 0, 1
D
3
1.10
2
0, 6758693924 1, 0
1
5.10
3
0, 1737230736 0, 2
3
2.10
3
1.10
4
0, 3
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 10 20 30 40 50 60 70 80 90
0
0.02
0.04
0.06
0.08
0.1
0.12
Iterations
D
i
f
f
u
s
i
o
n

D
1
identifie
D
1
reel
0 10 20 30 40 50 60 70 80 90
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Iterations
D
i
f
f
u
s
i
o
n

D
3
identifie
D
3
reel
0 10 20 30 40 50 60 70 80 90
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Iterations
P
o
r
o
s
i
t
e

1
identifie
1
reel
3
identifie
3
reel
0 10 20 30 40 50 60 70 80 90
10
1
10
0
10
1
10
2
10
3
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 10 20 30 40 50 60 70 80 90
10
10
10
5
10
0
10
5
10
10
Iterations
V
a
l
e
u
r
s

gradient (D
1
)
gradient (D
3
)
gradient (
1
)
gradient (
3
)
(en valeur absolue)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 10 20 30 40 50 60 70
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
Iterations
D
i
f
f
u
s
i
o
n

D
1
identifie
D
1
reel
0 10 20 30 40 50 60 70
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Iterations
D
i
f
f
u
s
i
o
n

D
3
identifie
D
3
reel
0 10 20 30 40 50 60 70
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Iterations
P
o
r
o
s
i
t
e

1
identifie
1
reel
3
identifie
3
reel
0 10 20 30 40 50 60 70
10
1
10
0
10
1
10
2
10
3
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 10 20 30 40 50 60 70
10
2
10
0
10
2
10
4
10
6
10
8
Iterations
V
a
l
e
u
r
s

gradient (D
1
)
gradient (D
3
)
gradient (
1
)
gradient (
3
)
(en valeur absolue)
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
5.3 Conclusion des tests
Nous avons choisi dapprocher les paramètres recherches par des fonctions constantes
par zones, ce qui semble etre dans notre cas assez judicieux. Ces tests synthetiques ont
permis de valider lapproche par etat adjoint dont la partie theorique a ete developpee au
chapitre 3. Ils ont egalement mis en evidence la necessite dadimensionner les paramètres
pour les deux cas-tests, limportance des observations à linstant nal pour le cas-test
coliset la diculte didentier la porosite dans la zone endommagee pour le cas-test
reel.
Ces cas-tests ont ete choisis en liaison avec les equipes de lAndra an de representer
des problèmes physiques reels. Les resultats dans le cas de donnees non bruitees se sont
reveles très satisfaisants aussi bien pour le cas-test colis que pour le cas-test reel. En
ce qui concerne lidentication avec donnees bruitees, les resultats obtenus pour le cas-test
colis sont en adequation avec les observations disponibles cest-à-dire quon a une bonne
identication des ccients dans la zone la plus observee et une identication incorrecte
dans la zone la moins observee. Pour le cas-test reel, les resultats obtenus avec un bruit
absolu sont corrects et ils sont legèrement meilleurs avec un bruit relatif. Les tests ont
prouve la stabilite de la solution du problème inverse.
Pour terminer, nous abordons dans ce paragraphe lanalyse de sensibilite. Nous parle-
rons tout dabord de lanalyse de sensibilite des mesures par rapport aux paramètres. A
cet eet, on peut citer Clement et al. [41] pour lanalyse de sensibilite dune equation de
diusion 1D, larticle de Marchand et al. [74] ainsi que la thèse de Marchand [73] pour
une analyse de sensibilite probabiliste (type Monte Carlo) et deterministe pour un modèle
decoulement 3D et un modèle ecoulement-transport 2D. En ce qui nous concerne, nous
avons pu quantier la sensibilite des paramètres dans nos dierents cas-tests. En eet,
si on regarde les evolutions du gradient de la fonction co ut par rapport aux paramètres
(gures 5.1 à 5.9), on remarque que le problème est plus sensible (et donc dependant) à la
diusion quà la porosite. On voit egalement que les deux paramètres sont plus sensibles
dans la roche
1
que dans la zone endommagee
3
, on a dailleurs eu de meilleurs resultats
didentication dans la zone 1 que dans la zone 3.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Chapitre 6
Identication de zones
Sommaire
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.2 Etude numerique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2.1 Premiers tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2.1.1 Première experience . . . . . . . . . . . . . . . . . . . . . . . . 94
6.2.1.2 Deuxième experience . . . . . . . . . . . . . . . . . . . . . . . 97
6.2.2 Cas concentrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
92 Chapitre 6. Identication de zones
Dans le chapitre 3, nous nous sommes interesses à lestimation de paramètres connais-
sant la geometrie exacte du domaine. On cherche ici, partant dune conguration geologique
modiee, à retrouver la conguration geologique exacte (celle qui a permis de generer les
donnees synthetiques du problème direct) en identiant les paramètres qui ont pour sup-
port ces zones. En regroupant ensuite par isovaleurs les ccients identies, nous aurons
la conguration recherchee. Ces tests sont très importants puisquen pratique le nombre et
la position exacte des sous-domaines sont inconnus.
En ce qui concerne les donnees (synthetiques), nous avons utilise pour les observations
les valeurs de concentration generees avec la zonation exacte du domaine dans les cas sans
bruit et avec bruit. Pour le bruit, nous avons egalement utilise le bruit genere avec la
zonation exacte du domaine.
Dans ce chapitre, nous presentons tout dabord les diverses methodes de resolution des
problèmes didentication de zones. Nous exposons ensuite les resultats numeriques obtenus
lors de nos dierents tests. La dernière section fait une synthèse du travail accompli.
6.1 Introduction
Concernant lidentication de zones, on peut citer plusieurs methodes, qui ont dailleurs
dejà fait lobjet de recherches qui se poursuivent au sein du thème Problèmes inverses et
analyse de sensibilite du GNR MoMaS :
- methode des indicateurs de ranement qui consistent à decouper de fa con optimale
une des zones en deux parties distinctes,
- methode doptimisation de forme basee sur la methode des lignes de niveau ou level
sets,
- methode doptimisation topologique, qui consiste à etudier levolution dun critère en
ajoutant un trou au domaine.
La methode des indicateurs de ranement et de deranement (cf. les travaux de Ben
Ameur et al. [15, 16, 17], Chavent & Bissel [36], Hayek et al. [60]) consiste à introduire
une partition du domaine appelee partition de parametrisation dont les parties de formes
diverses correspondent à des zones o` u les ccients à estimer sont constants. Les degres de
liberte des paramètres à identier sont en nombre egal au nombre de parties de cette parti-
tion. A chaque paramètre ajoute à la parametrisation initiale correspond un indicateur de
ranement. Ces indicateurs, qui sobtiennent par des calculs simples (utilisant le gradient
de la fonction co ut), sont en fait des multiplicateurs de Lagrange associes à des contraintes
relatives au problème considere. A ces indicateurs de ranement correspondent egalement
des indicateurs de deranement qui permettent de refusionner des zones au cours de lop-
timisation si le decoupage a ete trop n.
La methode doptimisation de forme, comme utilisee par Allaire et al. dans [4, 5, 6],
consiste à rechercher une fonction caracteristique au lieu de rechercher des zones, les deux
problèmes etant equivalents. Cependant, comme ce problème est non dierentiable, une
solution consiste à remplacer la fonction caracteristique qui prend ses valeurs dans 0, 1
par une fonction qui prend ses valeurs dans lintervalle [0, 1], la faire evoluer au l de
loptimisation, puis à seuiller ou prendre une ligne de niveau (level set, par exemple 1/2 si
on travaille dans [0, 1]) pour decider si une maille est dans une zone ou lautre. On peut
egalement citer comme reference Bendse [18], Wang et al. [98].
Concernant la methode doptimisation topologique [31], cest un peu la meme idee que
pour loptimisation de forme type level set, sauf quon garde les fonctions caracteristiques
dans 0, 1 mais on rend le problème dierentiable en ne considerant que des perturbations
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
6.2 Etude numerique 93
innitesimales (par exemple une boule de rayon ). On ne fait varier les domaines, ou la
fonction caracteristique, que dune maille à la fois et on calcule la variation du critère
(la fonction co ut) par rapport à cette petite variation et on recupère un gradient, dit
toplogique. Là o` u il est le plus negatif, on fera diminuer de fa con optimale le critère en
faisant changer une maille de zone (cf. Garreau et al. [51] et Guillaume & Sid Idris [58]).
Ce genre de technique marche très bien pour la detection de zones homogènes dans les
images (Auroux & Masmoudi [13]), pour la restoration dimages (Belaid et al. [14]) ou
pour la detection dinhomogeneites dans un materiau (Amstutz et al. [7]).
Comme nous lavons explique dans le chapitre 1, nous avons privilegie dans ce travail, la
mise au point dun outil adaptable à dierentes situations. Cest pour cette raison que nous
avons utilise la meme methode que pour lidentication de paramètres et que nous navons
pas retenu la methode des indicateurs de ranement et les methodes doptimisation de
formes car il fallait pouvoir remailler le domaine (ou faire evoluer les zones) à chaque
iteration ce qui nest pas prevu dans le code Traces o` u la generation du maillage est faite
à la main et la gestion des zones est declaree dès le depart en dur dans le code. Nous
avons donc travaille sur un maillage xe et un nombre de zones xes. Ceci etant, les trois
methodes presentees dans ce paragraphe sont tout à fait adaptees à notre problème et
pourraient faire lobjet dun futur travail (cf. chapitre 7).
6.2 Etude numerique
Dans ce chapitre, nous travaillons avec la geometrie du cas-test reel. Nous avons d u
modier le chier de maillage en fonction de la zonation de nos dierents tests. Le cadre
de travail est le meme que pour lidentication de paramètres.
6.2.1 Premiers tests
Une première action consiste, à partir du maillage actuel, à modier la zone endom-
magee
3
(en lagrandissant) et à considerer que tous les elements de cette nouvelle zone
ont des paramètres de diusion et de porosite dierents puis de lancer lidentication sur
tous ces paramètres an de voir comment le système se recale (ce qui revient à identier
les ccients par maille).
La nouvelle zone endommagee comprend 440 mailles (et donc 440 zones), il y a ainsi
880 paramètres à estimer (comme pour lidentication de paramètres on identie pas les
ccients dans le colis). La conguration geologique exacte du domaine est donnee par la
gure 6.1 et la nouvelle zonation par la gure 6.2. Sur la gure 6.1, on voit trois zones : la
zone 1 (ou
1
) dite zone loin, la zone 2 (ou
2
) correspondant au colis et la zone 3 (ou
3
) representant la zone endommagee. Sur la gure 6.2, on a toujours la zone 1 (mais plus
petite que sur la gure 6.1), le colis en zone 2 et la nouvelle zone endommagee (elargie sur
une partie de lancienne zone 1) qui comprend 440 zones.
Dans les deux tests qui suivent, on va donc partir de la conguration modiee (gure
6.2) en identiant les ccients par maille pour essayer de retrouver la zonation exacte
(gure 6.1).
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Fig. 6.1 Conguration exacte Fig. 6.2 Conguration modiee
6.2.1.1 Première experience
Nous avons initialise les ccients avec les valeurs ci-dessous.
Diusion initiale
D
1
0, 2
D
3
à D
442
0, 6
Porosite initiale
1
0, 15
3
à
442
0, 25
Tab. 6.1 Valeurs initiales des paramètres
Etant donne quil y a beaucoup de paramètres à identier, la convergence de lalgo-
rithme est assez lente (meme en partant de valeurs intiales proches des valeurs exactes).
On voit sur les gures 6.3 et 6.4 que lidentication des paramètres (et donc des zones) est
en bonne voie. Cependant, les evolutions de la fonction co ut et du gradient sur les gures
6.5 et 6.6 montrent que lalgorithme na pas termine la minimisation et necessiterait des
iterations supplementaires. Nous avons eectivement bloque la minimisation à 1000 simu-
lations (pour des raisons de co ut et de temps de calcul) et N2QN1 sest arrete lorsquil a
atteint cette borne.
On remarque egalement quau-dessus de la droite horizontale
1
(cf. chapitre 2 gure
2.6), on a aucune information sur la concentration. En eet, on a simplement des observa-
tions au temps nal pour les zones 1 & 3 (zone endommagee et roche), il est donc possible
destimer les ccients qui sont dans un voisinage proche de la droite mais il sera quasi-
ment impossible didentier ceux qui se trouvent au-dessus (situes à peu près entre 1, 2 et
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
2 m de hauteur). On observe eectivement sur les gures 6.3 et 6.4 quau voisinage du colis
on retrouve des valeurs de diusion et de porosite proches de la realite, ce qui montre que
lalgorithme fonctionne bien dans les parties observees. Pour etendre aux zones non ob-
servees, il faut ajouter de linformation a priori pour regulariser le problème : cest ce quon
fait dans le paragraphe 6.2.2 en precisant que les zones recherchees sont cylindriques, ce
qui permet detendre lidentication aux zones plus loin du colis.
Fig. 6.3 Diusion à literation 1, Diusion à literation 947, Diusion reelle
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Fig. 6.4 Porosite à literation 1, Porosite à literation 947, Porosite reelle
0 200 400 600 800 1000
10
8
10
7
10
6
10
5
10
4
10
3
10
2
10
1
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
Fig. 6.5 Evolution de la fonction co ut (la partie
temporelle est en magenta, la partie correspon-
dant à letat nal est en bleu et le co ut total est
en cyan)
0 200 400 600 800 1000
10
6
10
5
10
4
10
3
10
2
10
1
10
0
Iterations
V
a
l
e
u
r
s

norme du gradient
Fig. 6.6 Evolution du gradient
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
6.2.1.2 Deuxième experience
Nous sommes dans la meme conguration que lexperience precedente et nous avons
initialise les ccients avec les valeurs ci-dessous.
Diusion initiale
D
1
0, 2
D
3
à D
442
0, 7
Porosite initiale
1
0, 1
3
à
442
0, 4
Tab. 6.2 Valeurs initiales des paramètres
Nous avons laisse tourner lalgorithme de minimisation plus longtemps, le critère darret
ayant ete xe à 3000 simulations. N2QN1 a itere 2501 fois et sest arrete sur le nombre
maximal de simulations permis. Comme pour la première experience, il faudrait encore
laisser evoluer lalgorithme car on voit sur les gures 6.9 et 6.10 que la minimisation nest
pas terminee. En eet, on observe quautour de la zone colis les valeurs des paramètres ne
sont pas totalement identiees mais quelles se rapprochent neanmoins des valeurs reelles.
En comparant les evolutions de la fonction co ut et du gradient (gures 6.7 et 6.8) à
celles du premier test (gures 6.5 et 6.6), on constate que la minimisation sest poursuivie
correctement de literation 947 à 2501.
0 500 1000 1500 2000 2500 3000
10
10
10
8
10
6
10
4
10
2
10
0
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
Fig. 6.7 Evolution de la fonction co ut
0 500 1000 1500 2000 2500 3000
10
7
10
6
10
5
10
4
10
3
10
2
10
1
10
0
Iterations
V
a
l
e
u
r
s

norme du gradient
Ce test a permis de montrer que lidentication des paramètres par maille etait possible.
Le processus est cependant très lent à cause du grand nombre de ccients à identier et
du caractère mal pose du problème. Il faudrait s urement regulariser la fonction co ut pour
avoir un problème bien pose et accelerer la convergence. La regularisation ne pourra venir
que des informations physiques dont on dispose sur le problème (cf. le paragraphe suivant
6.2.2).
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Fig. 6.9 En haut à gauche : Diusion ` a literation 1. En bas à droite : Diusion à literation
1857. En bas à gauche : Diusion à literation 2501. En bas à droite : Diusion reelle.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Fig. 6.10 En haut à gauche : Porosite à literation 1. En bas ` a droite : Porosite à literation
1857. En bas à gauche : Porosite à literation 2501. En bas à droite : Porosite reelle.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
6.2.2 Cas concentrique
An de prendre en compte la realite du milieu et le type de modelisation qui repose sur la
denition de couches a peu près concentriques (structure radiale) autour du creusement,
nous avons mis au point avec les equipes de lAndra un cas-test avec 7 zones dont 5 sont
concentriques (gure 6.12). On peut voir sur la gure 6.12 que la zone loin est toujours
retrecie par rapport à la gure 6.11 et porte le numero 1, le colis est toujours en zone 2 et
lancienne zone endommagee elargie correspond aux zones concentriques 3 à 7.
Dun point de vue physique, il y a une sorte de symetrie de revolution autour du forage,
cest pourquoi on est amene à chercher des zones de cette forme. De plus, il y a peu de
paramètres donc on peut essayer didentier les ccients de cette fa con pour regrouper
ensuite les zones par valeurs proches.
Fig. 6.11 Conguration exacte Fig. 6.12 Conguration modiee
Validation de la methode
An de valider la methode, nous commen cons par un premier test avec des valeurs
initiales proches des valeurs reelles. Il y a 12 paramètres à identier : un paramètre de
diusion et de porosite par zone (sachant que comme dans le chapitre 5, la zone 2 est
xee). La recherche des paramètres de diusion sest realisee entre les valeurs 10
5
m
2
/an
2
m
2
/an (borne superieure) et ceux de porosite entre 0,01 % et
1000 %.
Les resultats de linversion sont exposes dans le tableau 6.3 : pour chaque paramètre, la
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
deuxième colonne montre les valeurs initiales donnees au minimiseur, la troisième colonne
presente les paramètres identies et la dernière colonne rappelle les valeurs reelles. Le
tableau montre que lidentication a parfaitement fonctionne. Lalgorithme a necessite 179
iterations pour converger vers la bonne solution. Les evolutions de la fonction co ut et du
gradient au cours des iterations sont presentees sur les gures 6.15 et 6.16. La gure 6.13
(resp. 6.14) montre la diusion (resp. la porosite) à literation 1 puis à literation nale et
enn la diusion (resp. la porosite) reelle.
Diusion initiale identies reels
D
1
0, 15 9, 9999999998.10
2
0, 1
D
3
0, 5 0, 9999999999 1, 0
D
4
0, 5 0, 9999999999 1, 0
D
5
0, 5 9, 9999999998.10
2
0, 1
D
6
0, 5 9, 9999999998.10
2
0, 1
D
7
0, 5 9, 9999999998.10
2
0, 1
Porosite initiale identies reels
1
0, 1 0, 1919263062 0, 2
3
0, 35 0, 3000000000 0, 3
4
0, 35 0, 2999999999 0, 3
5
0, 35 0, 2000000000 0, 2
6
0, 35 0, 1999999999 0, 2
7
0, 35 0, 1999999999 0, 2
Tab. 6.3 Identication dans les zones 1, 3, 4, 5, 6 & 7
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 20 40 60 80 100 120 140 160 180
10
25
10
20
10
15
10
10
10
5
10
0
10
5
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 20 40 60 80 100 120 140 160 180
10
10
10
5
10
0
10
5
Iterations
V
a
l
e
u
r
s

norme du gradient
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Second test
Dans ce deuxième test, nous partons de donnees initiales assez eloignees des valeurs
reelles. Le tableau 6.4 montre que lidentication a bien fonctionne (legèrement mieux
pour la diusion). Lalgorithme a necessite 270 iterations pour converger vers la bonne
solution. Les evolutions de la fonction co ut et du gradient au cours des iterations sont
presentees sur les gures 6.19 et 6.20. La gure 6.17 (resp. 6.18) montre la diusion (resp.
la porosite) à literation 1 puis à literation nale et enn la diusion (resp. la porosite)
reelle.
D
1
5, 0.10
4
9, 9992118456.10
2
0, 1
D
3
1, 0.10
2
0, 9999968747 1, 0
D
4
1, 0.10
2
1, 0013370402 1, 0
D
5
1, 0.10
2
9, 9941973516.10
2
0, 1
D
6
1, 0.10
2
0, 1001078536 0, 1
D
7
1, 0.10
2
0, 1000217588 0, 1
1
5, 0.10
3
0, 1999880262 0, 2
3
2, 0.10
3
0, 3079328776 0, 3
4
2, 0.10
3
0, 2846903435 0, 3
5
2, 0.10
3
0, 2170407572 0, 2
6
2, 0.10
3
0, 1834338674 0, 2
7
2, 0.10
3
0, 2074470012 0, 2
Tab. 6.4 Identication dans les zones 1, 3, 4, 5, 6 & 7
Les resultats sont legèrement moins bons (par rapport au premier test o` u les donnees
initiales etaient proches des valeurs reelles) mais on distingue encore très nettement les
deux zones recherchees parmi les cinq zones concentriques o` u la diusion et la porosite
sont quasi constantes.
Dautres tests ont ete realises en partant de dierentes donnees initiales. Lalgorithme
a egalement converge vers la solution après environ 150 iterations pour des valeurs initiales
proches des valeurs reelles et environ 250 iterations pour des valeurs initiales eloignees. On
constate donc que lalgorithme est sensible à la position du point de depart (convergence
plus rapide pour des valeurs initiales proches des valeurs reelles) et que lalgorithme a
besoin de plus diterations pour converger par rapport à lestimation de paramètres (o` u il
ny avait que 3 zones).
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 50 100 150 200 250 300
10
6
10
4
10
2
10
0
10
2
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 50 100 150 200 250 300
10
4
10
2
10
0
10
2
10
4
10
6
Iterations
V
a
l
e
u
r
s

norme du gradient
Dans ce paragraphe, nous utilisons le bruit relatif genere au chapitre 5 section 5.2.2.2
pour lidentication de paramètres. On presente plusieurs tests realises avec un bruit crois-
sant.
Dans le cas dun bruit de 3%, lalgorithme a itere pendant 283 iterations et les resultats
(tableau 6.5) montrent que la solution est bien approchee pour la diusion. En eet, sur
la gure 6.21 on voit bien à literation nale les trois zones recherchees. Pour la porosite
(tableau 6.6), on constate que les ccients
3
,
5
et
7
ne sont pas aussi bien identies
que les autres ce qui ne permet pas darriver à la conguration geologique reelle (gure
6.22). Cependant, une reponse peut etre apportee à cet inconvenient (cf. section 6.3).
Les evolution de la fonction co ut et du gradient sont presentees sur les gures 6.23 et
6.24.
D
1
5, 0.10
4
9, 5819317524.10
2
0, 1
D
3
1, 0.10
2
0, 9503963679 1, 0
D
4
1, 0.10
2
0, 9872350915 1, 0
D
5
1, 0.10
2
9, 8664397796.10
2
0, 1
D
6
1, 0.10
2
9, 8621005507.10
2
0, 1
D
7
1, 0.10
2
9, 7722807371.10
2
0, 1
Tab. 6.5 Identication de la diusion avec un bruit de 3%
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
1
5, 0.10
3
0, 1871781095 0, 2
3
2, 0.10
3
9, 9999999999.10
5
0, 3
4
2, 0.10
3
0, 4455885768 0, 3
5
2, 0.10
3
0, 2190823028 0, 2
6
2, 0.10
3
0, 1482577474 0, 2
7
2, 0.10
3
0, 3208699000 0, 2
Tab. 6.6 Identication de la porosite avec un bruit de 3%
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 50 100 150 200 250 300
10
3
10
2
10
1
10
0
10
1
10
2
10
3
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 50 100 150 200 250 300
10
2
10
0
10
2
10
4
10
6
Iterations
V
a
l
e
u
r
s

norme du gradient
è
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
(tableau 6.7) montrent que la solution est toujours bien approchee pour la diusion. Comme
dans le cas du bruit de 3%, on observe encore à literation nale les trois zones recherchees
(gure 6.25). Pour la porosite, on constate de nouveau que les ccients
3
,
5
et
7
sont
mal identies ce qui ne permet pas darriver à la conguration geologique exacte (gure
6.26). Neanmoins, comme dans le cas dun bruit de 3%, une reponse peut etre apportee à
cet inconvenient (cf. section 6.3).
Les evolutions de la fonction co ut et du gradient sont presentees sur les gures 6.27 et
6.28.
D
1
1, 0.10
3
9, 3847204159.10
2
0, 1
D
3
5, 0.10
3
0, 9232612745 1, 0
D
4
5, 0.10
3
0, 9487703310 1, 0
D
5
5, 0.10
3
9, 8557550324.10
2
0, 1
D
6
5, 0.10
3
9, 5695267349.10
2
0, 1
D
7
5, 0.10
3
9, 6787129162.10
2
0, 1
1
5, 0.10
3
0, 1814660222 0, 2
3
4, 0.10
3
1, 0.10
3
0, 3
4
4, 0.10
3
0, 2764578564 0, 3
5
4, 0.10
3
0, 3026078948 0, 2
6
4, 0.10
3
0, 2038192260 0, 2
7
4, 0.10
3
0, 3027834741 0, 2
Tab. 6.7 Identication dans les zones 1, 3, 4, 5, 6 & 7 avec un bruit de 5%
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 50 100 150 200 250 300
10
2
10
1
10
0
10
1
10
2
10
3
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 50 100 150 200 250 300
10
4
10
2
10
0
10
2
10
4
10
6
Iterations
V
a
l
e
u
r
s

norme du gradient
Remarque 6.1 On constate quavec un bruit pas trop eleve ( ` a 5%), lalgorithme reste
très performant pour identier les deux zones.
Comme pour lidentication de paramètres, nous avons voulu voir, dans les deux tests
qui suivent, les limites de lalgorithme en augmentant le bruit de fa con signicative.
(tableau 6.8) montrent que la solution est encore satisfaisante pour la diusion. On dis-
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
tingue à literation nale sur la gure 6.29 quatre zones dont deux sont très proches, on
peut donc considerer (en regroupant ces deux zones) que lon a bien retrouve la congu-
ration geologique reelle. Pour la porosite (tableau 6.9), bien que la plupart des ccients
soient proches des valeurs relles (
1
,
5
,
6
et
7
), on constate sur la gure 6.30 que lon
est pas arrive à retrouver les zones recherchees.
Levolution de la fonction co ut et du gradient est presentee sur les gures 6.31 et 6.32.
D
1
5, 0.10
4
0, 1088427693 0, 1
D
3
1, 0.10
2
0, 9329235000 1, 0
D
4
1, 0.10
2
0, 8226169260 1, 0
D
5
1, 0.10
2
0, 1082165413 0, 1
D
6
1, 0.10
2
0, 1307609280 0, 1
D
7
1, 0.10
2
9, 4241919088.10
2
0, 1
1
5, 0.10
3
0, 2220867447 0, 2
3
2, 0.10
3
9, 9999999999.10
5
0, 3
4
2, 0.10
3
6, 9115608392.10
2
0, 3
5
2, 0.10
3
0, 1723855118 0, 2
6
2, 0.10
3
0, 2306095996 0, 2
7
2, 0.10
3
0, 2088383375 0, 2
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 50 100 150 200
10
1
10
0
10
1
10
2
10
3
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 50 100 150 200
10
0
10
1
10
2
10
3
10
4
10
5
10
6
Iterations
V
a
l
e
u
r
s

norme du gradient
(tableau 6.10) montrent que seuls D
1
et D
7
ont ete correctement identies. On voit sur la
gure 6.33 quon est loin de la conguration exacte. Pour la porosite (tableau 6.11), on
constate egalement que les ccients identies ne sont pas bons et donc comme pour la
diusion, on a pas reussi à retrouver la conguration geologique exacte (gure 6.34). Ces
resultats ne sont pas du tout surprenant dans la mesure o` u le bruit est très eleve.
Levolution de la fonction co ut et du gradient est presentee sur les gures 6.35 et 6.36.
D
1
5, 0.10
4
0, 1212964685 0, 1
D
3
1, 0.10
2
0, 5795504455 1, 0
D
4
1, 0.10
2
0, 6047805905 1, 0
D
5
1, 0.10
2
0, 3165127860 0, 1
D
6
1, 0.10
2
8, 4095729074.10
2
0, 1
D
7
1, 0.10
2
0, 1027340394 0, 1
1
5, 0.10
3
0, 2676178231 0, 2
3
2, 0.10
3
7, 2659746084.10
3
0, 3
4
2, 0.10
3
9, 0478753448.10
3
0, 3
5
2, 0.10
3
9, 9999999999.10
5
0, 2
6
2, 0.10
3
7, 2476646531.10
3
0, 2
7
2, 0.10
3
1, 5985330457.10
2
0, 2
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
0 20 40 60 80 100 120 140
10
0
10
1
10
2
10
3
10
4
Iterations
V
a
l
e
u
r
s

cout total
cout 1
cout 2
0 20 40 60 80 100 120 140
10
1
10
2
10
3
10
4
10
5
10
6
Iterations
V
a
l
e
u
r
s

norme du gradient
6.3 Conclusion des tests
Nous avons applique dans ce chapitre la methode didentication de paramètres à notre
problème didentication de zones (cf. chapitre 1 et section 6.1). Les resultats obtenus (no-
tamment sur le cas concentrique) ont montre la validite de la methode employee. Ces tests
ont egalement mis en evidence, tout comme pour lestimation de paramètres, limportance
des observations (cf. section 6.2.1).
Les cas-tests ont ete choisis en liaison avec les equipes de lAndra (comme dans le
chapitre 5) an de representer des problèmes physiques reels. Les premiers tests realises
au debut de ce chapitre ont montre que lidentication des paramètres par maille etait
possible mais que ce procede etait trop co uteux en memoire et en temps. Une regularisation
a ete apportee en considerant des zones concentriques autour du forage (cf. section 6.2.2).
On aurait egalement pu rajouter un terme regularisant au sens BV (pour conserver les
discontinuites) ou au sens de la norme L
2
du gradient (cf. chapitre 3, section 3.2.3.3).
Les resultats dans le cas concentrique avec des donnees non bruitees se sont reveles
très satisfaisants aussi bien avec des valeurs initiales proches des valeurs reelles quavec
des valeurs initiales eloignees. En ce qui concerne lidentication avec donnees bruitees, les
resultats obtenus sont bons pour la diusion jusquà 10% ce qui nous a permis de retrou-
ver la conguration geologique recherchee. Pour la porosite, nous nous sommes aper cus
au cours des dierents tests que nous narrivions pas à identier correctement toutes les
composantes de ce paramètre (et donc les zones). Cependant, il pourrait etre possible de
regrouper les zones en accord avec les valeurs de diusion (qui est plus rapidement identiee
que la porosite), ce qui permettrait, partant de cette nouvelle conguration, didentier à
nouveau la porosite et darriver à de meilleurs resultats.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Chapitre 7
Conclusion et perspectives
Nous nous sommes interesses dans cette thèse à dierents aspects de lidentication de
paramètres en milieu poreux sature. Dans un premier temps, nous avons etudie laspect
identication de paramètres à zones xees puis, dans un second temps, nous avons utilise
ce travail pour resoudre le problème didentication de zones.
Le point de depart de cette thèse repond à lexpression de besoins de lAndra pour la re-
cherche de methodes numeriques et le developpement doutils sur le thème de lestimation
de paramètres dans des couches geologiques profondes puisque les experiences en labora-
toire ou en milieu naturel menees ne permettent pas devaluer les ccients de diusion et
de porosite directement. Lobjectif a ete de mettre au point la theorie mathematique pour
resoudre le problème didentication de ces paramètres puis de retrouver les zones dont ces
ccients sont le support. La partie theorique a ensuite ete implementee informatique-
ment et plusieurs tests, prealablement choisis en liaison avec les equipes de lAndra, ont
ete eectues an de pouvoir apprecier la methode con cue et developpee. Linterpretation
physique des resultats obtenus a ete primordiale et a constitue le l conducteur de ce
projet.
Lidee a ete de creer un outil exible qui puisse sappliquer aussi bien aux essais sur
echantillons (à une echelle despace de lordre du centimètre) quaux mesures eectuees
dans lexperience DIR (Diusion de traceurs Inertes et Reactifs) au laboratoire de Bure
(pour laquelle lordre de grandeur est le mètre) ou encore aux mesures en milieu naturel
dans un cadre geologique sur des echelles de la centaine de mètres. Dans le prolongement
des travaux realises au sein du thème Problèmes inverses et analyse de sensibilite du GNR
MoMaS, nous avons utilise la technique de zonation qui consiste à decomposer le milieu
en zones homogènes dans lesquelles les ccients ont ete identies. Pour cela, nous avons
travaille au developpement du code adjoint du code de transfert par diusion-dispersion-
convection Traces en collaboration avec lequipe Tropics de lINRIA Sophia-Antipolis. La
zonation, dans le cas-test reel (proche de lexperience DIR), a pris en compte la zone
endommagee par le forage. Le calage de loutil a dabord ete eectue à zones xees, puis,
dans un second temps, lidentication de zones a ete realisee.
On sest limite à travailler sur des problèmes 2D (au lieu du 2D axisymetrique), cepen-
dant cela ne remet pas en question la demarche suivie mais nous a permis de gagner en
temps calcul par rapport au 3D. De plus, letape de resolution du problème en 2D etait
quasiment necessaire (et plus facile à mettre uvre en 2D quen 3D) pour verier et valider
la methode avant de passer au 2D axisymetrique ou au 3D. Nous avons eu aussi bien dans
le cas de lestimation de paramètres que dans lidentication des zones des resultats très
satisfaisants avec des donnees bruitees et non bruitees, ce qui est encourageant pour la
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
116 Chapitre 7. Conclusion et perspectives
resolution en 3D.
Lanalyse de sensibilite du resultat de lidentication de paramètres par rapport aux
erreurs sur les mesures telle quexposee dans [67] na pas ete traitee car elle necessitait le
calcul de ladjoint au second ordre qui est assez lourd. Si lanalyse de sensibilite montre
que lerreur sur les resultats est du meme ordre que lincertitude sur les mesures alors la
methode didentication donnera satisfaction.
Concernant lidentication de zones, une perspective de travail (après celle evoquee dans
la conclusion du chapitre 6) serait de mettre au point une methode iterative permettant
de modier les zones à chaque etape et qui consisterait à
- identier les ccients dans toutes les zones,
- regrouper des zones par ccients proches,
- reiterer le processus en identiant les ccients dans les nouvelles zones (o` u il y en
a moins).
On pourrait egalement tester la methode des indicateurs de ranement et la methode
doptimisation topologique. Il serait en eet interessant, lors dun futur travail, de com-
parer la precision et lecacite de notre methode avec ces deux techniques, dautant plus
quaucune des deux na encore ete employee pour resoudre ce type de problème.
Ce travail nous encourage à continuer les tests numeriques sur le modèle (1.3) en tes-
tant le cas convectif (vitesse de Darcy non nulle) avec un terme de liation. On pourrait
aussi imaginer rajouter une zone à la conguration du cas-test reel en divisant la zone
endommagee en deux : une zone pour la partie fracturee et une zone pour la partie s-
suree. Lobjectif principal reste clairement à court terme de passer à la geometrie 3D
du cas-test reel et dutiliser, dès quelles seront disponibles, les donnees reelles issues de
lexperimentation DIR. Lutilisation des donnees reelles est dautant plus importante quon
sera en mesure, en confrontant les resultats à lexperience, de valider (resp. invalider) la
representation du modèle quon sest xe.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Annexe A
Nomenclature des grandeurs
physiques
Symbole Description Dimension
Porosite Adimensionne
R Facteur de retard Adimensionne
h Charge hydraulique L
p Pression M.L
1
.T
2
g Gravite M.T
2
Viscosite du uide M.L
1
.T
1
Densite du uide M.L
3
q Vitesse de Darcy L.T
1
C Concentration M.L
3
s Coecient de stockage L
1
S Terme source M.L
3
.T
1
k Permeabilite L
2
K Conductivite hydraulique L.T
1
L
Dispersivite longitudinale L
T
Dispersivite transversale L
D
e
Coecient de diusion eectif L
2
.T
1
D
m
Coecient de diusion moleculaire L
2
.T
1
Coecient de decroissance radioactive T
1
Constante cinetique de precipitation/dissolution T
1
Tab. A.1 Valeurs des grandeurs physiques
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
118 Chapitre A. Nomenclature des grandeurs physiques
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Bibliographie
[1] ADOL-C. COmputational INfrastructure for Operations Research (COIN-OR).
http://www.coin-or.org/projects/ADOL-C.xml , 2008.
[2] C. Alboin, J. Jare, J. E. Roberts, X. Wang, and C. Serres. Domain decomposition
for some transmission problems in ow in porous media. In Numerical treatment of
multiphase ows in porous media (Beijing, 1999), volume 552 of Lecture Notes in
Phys., pages 2234. Springer, Berlin, 2000.
[3] C. Alboin, J. Jare, J. E. Roberts, X. Wang, and C. Serres. Modeling fractures as
interfaces for ow and transport in porous media. In Fluid ow and transport in porous
media : mathematical and numerical treatment (South Hadley, MA, 2001), volume 295
of Contemp. Math., pages 1324. Amer. Math. Soc., Providence, RI, 2002.
[4] G. Allaire and F. Jouve. A level-set method for vibration and multiple loads structural
optimization. Comput. Methods Appl. Mech. Engrg., 194(30-33) :32693290, 2005.
[5] G. Allaire and F. Jouve. Minimum stress optimal design with the level set method.
Engineering Analysis with Boundary Elements, 32 :909918 (2008). Internal report,
n. 618, CMAP, Ecole Polytechnique (June 2007), June, 2007.
[6] G. Allaire, F. Jouve, and A.-M. Toader. Structural optimization using sensitivity
analysis and a level-set method. J. Comp. Phys., 194 :363393, 2004.
[7] S. Amstutz, I. Horchani, and M. Masmoudi. Crack detection by the topological gra-
dient method. Control Cybernet., 34(1) :81101, 2005.
[8] Andra. Dossier Argile 2005. Rapport Andra, 2005.
[9] J.-B. Apoung, P. Have, J. Houot, M. Kern, and A. Semin. Reactive transport in
porous media. ESIAM Proceedings, submitted, 2008.
[10] D. N. Arnold and F. Brezzi. Mixed and nonconforming nite element methods : imple-
mentation, postprocessing and error estimates. RAIRO Model. Math. Anal. Numer.,
19(1) :732, 1985.
[11] D. N. Arnold, F. Brezzi, B. Cockburn, and D. Marini. Discontinuous Galerkin me-
thods for elliptic problems. In Discontinuous Galerkin methods (Newport, RI, 1999),
volume 11 of Lect. Notes Comput. Sci. Eng., pages 89101. Springer, Berlin, 2000.
[12] D. Auroux and J. Blum. Data assimilation methods for an oceanographic problem in
multidisciplinary methods for analysis, optimization and control of complex systems.
Mathematics in Industry, 6 :179194, 2004.
[13] D. Auroux and M. Masmoudi. Image processing by topological asymptotic expansion.
J. Math. Imaging Vision, 33(2) :122134, 2009.
[14] L. J. Belaid, M. Jaoua, M. Masmoudi, and L. Siala. Image restoration and edge detec-
tion by topological asymptotic expansion. C. R. Math. Acad. Sci. Paris, 342(5) :313
318, 2006.
119
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
120 BIBLIOGRAPHIE
[15] H. Ben Ameur, G. Chavent, and J. Jare. Renement and coarsening indicators for
adaptive parametrization : application to the estimation of hydraulic transmittivities.
Inverse Problems, 20 :673696, 2004.
[16] H. Ben Ameur, F. Clement, P. Weis, and G. Chavent. The multidimensional rene-
ment indicators algorithm for optimal parameterization. J. Inverse Ill-Posed Probl.,
16(2) :107126, 2008.
[17] H. Ben Ameur and B. Kaltenbacher. Regularization of parameter estimation by adap-
tive discretization using renement and coarsening indicators. J. Inverse Ill-Posed
Probl., 10(6) :561583, 2002.
[18] M. P. Bendse. Optimal topology design of continuum structure : an introduction.
Technical report, Department of Mathematics, Technical University of Denmark, 1996.
[19] V. Berinde. Iterative approximation of xed points, volume 1912 of Lecture Notes in
Mathematics. Springer, Berlin, second edition, 2007.
[20] J. Blum. Numerical simulation and optimal control in plasma physics.
Wiley/Gauthier-Villars Series in Modern Applied Mathematics, Chichester, 1989.
[21] J. Blum. Problèmes inverses : de lexperimentation à la modelisation. OFTA, ARAGO,
1999.
[22] J. Blum, G. Dobranszky, R. Eymard, and R. Masson. Inversion of a stratigraphic
model with seismic constraints. Under revision for Inverse Problems, 2006.
[23] J.F. Bonnans, J.C. Gilbert, C. Lemarechal, and C. A. Sagastizabal. Numerical optimi-
zation. Universitext. Springer-Verlag, Berlin, 2003. Theoretical and practical aspects,
Translated and revised from the 1997 French original.
[24] F. Brezzi and M. Fortin. Mixed and hybrid nite element methods, volume 15 of
Springer Series in Computational Mathematics. Springer-Verlag, New York, 1991.
[25] F. Brezzi, D. Marini, P. Pietra, and A. Russo. Discontinuous nite elements for diu-
sion problems. Numerical Methods for Partial Dierential Equations, 1999, submitted.
[26] S. Buschaert and al. The contribution of water geochemistry to the understanding of
the regional hydrogeological system. Bull. Soc. Geol. de France., 2006.
[27] Dan G. Cacuci. Sensitivity theory for nonlinear systems. J. Math. Phys., 22(12) :2794
2812, 1981.
[28] J. Carrera. State of the art of the inverse problem applied to the ow and solute trans-
port equation. Groundwater Flow and Quality Modeling, NATO-ASI Series C :549
583, 1988.
[29] A. Cartalade and al. Application of inverse modeling methods to thermal and diusion
experiments at mont terri rock laboratory. Proc. of the 2nd international meeting :
Clays in Natural and Engineered Barriers for Radioactive waste connement, Tours,
2005.
[30] A. Cartalade, P. Montarnal, B. Cavanna, and J. Blum. Estimation des pa-
ramètres de transport dun milieu poreux, approche par etat adjoint. Rapport
DM2S/SFME/MTMS/RT/03-002/A. CEA/Saclay, 2003.
[31] J. Cea, S. Garreau, P. Guillaume, and M. Masmoudi. The shape and topological
optimizations connection. Comput. Methods Appl. Mech. Engrg., 188(4) :713726,
2000. IV WCCM, Part II (Buenos Aires, 1998).
[32] G. Chavent. Identication of functional parameters in partial dierential equations.
In Identication of parameters in distributed systems (Joint Automat. Control Conf.,
Univ. Texas, Austin, Tex., 1974), pages 3148. Amer. Soc. Mech., Engrs., New York,
1974.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
BIBLIOGRAPHIE 121
[33] G. Chavent. Identication of distributed parameter systems : about the output least
square method, its implementation and identiability. Proc. of the 5th IFAC Sympo-
sium on Identication and System Parameter Estimation, pages 8597, 1979.
[34] G. Chavent. On the theory of practice of nonlinear least-squares. Adv. in Water
Res., 14(2) :5563, 1991. Parameter identication in ground water ow, transport,
and related processes, Part I.
[35] G. Chavent. Strategies for the regularization of nonlinear least squares problems. In
Inverse problems in diusion processes (Lake St. Wolfgang, 1994), pages 217232.
SIAM, Philadelphia, PA, 1995.
[36] G. Chavent and R. Bissel. Indicator for the renement of parametrization. In Procee-
dings of the International Symposium on Inverse Problems in Engineering Mechanics,
pages 185190. Nagano, Japan, March, 1998.
[37] G. Chavent, J. Jare, and S. Jan-Jegou. Estimation of relative permeabilities in
three-phase ow in porous media. Inverse Problems, 15(1) :3339, 1999. Conference
on Inverse Problems, Control and Shape Optimization (Carthage, 1998).
[38] G. Chavent, J. Jare, and J. E. Roberts. Mixed-hybrid nite elements and cell-centered
nite volumes for two-phase ow in porous media. In A. Bourgeat, C. Carasso, S.
Luckhaus, and A. Mikelic, editors, Mathematical Modelling of Flow Through Porous
Media, pages 100114, World Scientic, Singapore, 1995.
[39] G. Chavent and J. Liu. Multiscale parametrization for the estimation of a diu-
sion ccient in elliptic and parabolic problems. 5th IFAC Symposium on Control
of Distributed Parameter Systems, A. El Jai and M. Amouroux eds., Universite de
Perpignan, France :315324, June 26-29, 1989.
[40] P.G. Ciarlet. Introduction à lanalyse numerique matricielle et ` a loptimisation. Du-
nod, 2006.
[41] F. Clement, N. Khvoenkova, A. Cartalade, and P. Montarnal. Analyse de sensibilite
et estimation de paramètres de transport pour une equation de diusion, approche
par etat adjoint. INRIA, Rapport n
5132, 2004.
[42] B. Cockburn, G. E. Karniadakis, and C.-W. Shu. The development of discontinuous
Galerkin methods. In Discontinuous Galerkin methods (Newport, RI, 1999), volume 11
of Lect. Notes Comput. Sci. Eng., pages 350. Springer, Berlin, 2000.
[43] P. Courtier and O. Talagrand. Variational assimilation of meteorological observations
with the adjoint equation Part II. Numerical results. Q. J. R. Meteorol. Soc.,
113 :1329 1347, 1987.
[44] C. de Dieuveleult, J. Erhel, and M. Kern. A global strategy for solving reactive
transport equations. J. Computational Physics, submitted, 2008.
[45] G. De Marsily and al. Regards sur 40 ans de problèmes inverses en hydrogeologie.
CRAS, Sciences de la terre et des plantes, 329 :7387, 1999.
[46] C. Delannoy. Programmer en Fortran 90. Eyrolles, Paris, 2004.
[47] S. Dewonck. Experimentation DIR, synthèse des resultats obtenus sur les forages
EST208, DIR2002 et DIR2003. Andra, Document interne, DP/EST/SS, 2005.
[48] H. W. Engl, M. Hanke, and A. Neubauer. Regularization of inverse problems, vo-
lume 375 of Mathematics and its Applications. Kluwer Academic Publishers Group,
Dordrecht, 1996.
[49] M. Farhloul and A. Serghini Mounim. A mixed-hybrid nite element method for
convection-diusion problems. Appl. Math. Comput., 171(2) :10371047, 2005.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
122 BIBLIOGRAPHIE
[50] P.-A. Faure. Gmshwrapper. Encapsulation de Gmsh en Python. Rapport de stage de
Master, Andra & Universite Claude Bernard Lyon 1, 2006.
[51] S. Garreau, Ph. Guillaume, and M. Masmoudi. The topological asymptotic for PDE
systems : the elasticity case. SIAM J. Control Optim., 39(6) :17561778 (electronic),
2001.
[52] J.C Gilbert, G. Le Vey, and Masse J. La dierentiation automatique de fonctions
representees par des programmes. INRIA, Rapport n
1557, 1991.
[53] J.C. Gilbert and C. Lemarechal. Some numerical experiments with variable-storage
quasi-Newton algorithms. Math. Programming, 45(3, (Ser. B)) :407435, 1989.
[54] J.C. Gilbert and C. Lemarechal. The module M1QN3. Version 3.1. INRIA Rocquen-
court & Rhone-Alpes, 2006.
[55] A. Griewank. Achieving logarithmic growth of temporal and spatial complexity in
reverse automatic dierentiation. Optimization Methods and Software, pages 1, 35
54, 1992.
[56] A. Griewank. Some bounds on the complexity of gradients, Jacobians, and Hessians.
In Complexity in numerical optimization, pages 128162. World Sci. Publ., River Edge,
NJ, 1993.
[57] A. Griewank. Evaluating derivatives. principles and techniques of algorithmic die-
rentiation. Frontiers in applied mathematics, SIAM(1) :3554, 2000.
[58] Ph. Guillaume and K. Sid Idris. The topological asymptotic expansion for the Dirichlet
problem. SIAM J. Control Optim., 41(4) :10421072 (electronic), 2002.
[59] L. Hascoet. Analyses statiques et transformations de programmes : de la parallelisation
à la dierentiation. Memoire dhabilitation à diriger des recherches. Universite de
Nice-Sophia-Antipolis, 2005.
[60] M. Hayek, Ph. Ackerer, and E. Sonnendr ucker. A new renement indicator for adaptive
parameterization : application to the estimation of the diusion coecient in an elliptic
problem. J. Comput. Appl. Math., 224(1) :307319, 2009.
[61] J.-B. Hiriart-Urruty and C. Lemarechal. Convex analysis and minimization algo-
rithms. I & II, volume 305306 of Grundlehren der Mathematischen Wissenschaften
[Fundamental Principles of Mathematical Sciences]. Springer-Verlag, Berlin, 1993.
Fundamentals.
[62] H. Hoteit and P. Ackerer. Traces : Users Guide V 1.00. ULP, ANDRA, CNRS. Fluid
and Solid Mechanics Institute, Strasbourg, 2003.
[63] J. Jare. Flux calculation at the interface between two rock types for two-phase ow
in porous media. Transport in Porous Media, preprint in report INRIA n
2075, pages
21 :195207, 1995.
[64] J. Jare. Numerical calculation of the ux across an interface between two rock types
of a porous medium for a two-phase ow. In Hyperbolic problems : theory, numerics,
applications (Stony Brook, NY, 1994), pages 165177. World Sci. Publ., River Edge,
NJ, 1996.
[65] M. Kern. Problèmes inverses. Techniques de lIngenieur, to appear, TSI, 2008.
[66] F.-X. Le Dimet and J. Blum. Assimilation de donnees pour les uides geophysiques.
Matapli n
67, 2002.
[67] F.-X. Le Dimet, I.M. Navon, and D.N. Daescu. Second order information in data
assimilation. Monthly Weather Review, 2002.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
BIBLIOGRAPHIE 123
[68] F.-X. Le Dimet and O. Talagrand. Variational algorithms for analysis and assimilation
of meteorological observations : theoretical aspects. Tellus, 38A :97110, 1986.
[69] C. Lemarechal and E. Panier. Les modules M2QN1 et MQHESS. Version 2.0a.
INRIA Rhone-Alpes, 2000.
[70] J.-L. Lions. Contr ole optimal de systèmes gouvernes par des equations aux derivees
partielles. Avant propos de P. Lelong. Dunod, Paris, 1968.
[71] J. Liu. A multiresolution method for distributed parameter estimation. SIAM J. Sci.
Comput., 14(2) :389405, 1993.
[72] B. Luong, J. Blum, and J. Verron. A variational method for the resolution of a data
assimilation problem in oceanography. Inverse Problems, IOP, 14(4) :979997, 1998.
[73] E. Marchand. Analyse de sensibilite deterministe pour la simulation numerique du
transfert de contaminants. Thèse de doctorat, Universite Paris IX Dauphine, 2007.
[74] E. Marchand, F. Clement, J.E. Roberts, and G. Pepin. Deterministic sensitivity
analysis for a model for ow in porous media. Adv. in Water Res., 31 :10251037,
2008.
[75] A. Martelli. Python en concentre. OReilly, Paris, 2007.
[76] V. Martin. Simulations multidomaines des ecoulements en milieu poreux. Thèse de
doctorat, Universite Paris IX Dauphine, 2004.
[77] D. Mc Laughlin and L.R. Townley. A reassessment of the groundwater inverse problem.
Water Resources Research., 32 (5) :11311161, 1996.
[78] U. Meissner. A mixte nite element model for use in potential ow problem. Int. J.
Numer. Methods Eng, 6 :467473, 1973.
[79] J.-C. Nedelec. A new family of mixed nite elements in R
3
. Numer. Math., 50(1) :57
81, 1986.
[80] S. P. Neuman and J. Carrera. Maximum-likelihood adjoint-state nite-element es-
timation of groundwater parameters under steady- and non-steady-state conditions.
System identication and parameter estimation of environmental systems, Appl. Math.
Comput., 17(4) :405432, 1985.
[81] H. Nifenecker and G. Ouzounian. Le stockage des dechets nucleaires en site profond.
EDP Sciences, 2006.
[82] R.E. Plessix, G. Chavent, and Y.H. De Roeck. A quantitative migration to estimate
the 2D velocity distribution. Mathematical and Numerical aspects of Wave propaga-
tion, SIAM, 1995.
[83] P.-A. Raviart and J. M. Thomas. A mixed nite element method for 2nd order elliptic
problems. In Mathematical aspects of nite element methods (Proc. Conf., Consiglio
Naz. delle Ricerche (C.N.R.), Rome, 1975), pages 292315. Lecture Notes in Math.,
Vol. 606. Springer, Berlin, 1977.
[84] W. H. Reed and T.R. Hill. Triangular mesh methods for the neutron transport equa-
tion. Tech. Report LA-UR-73-479, Los Alamos Scientic Laboratory, 1973.
[85] J. E. Roberts and J.-M. Thomas. Mixed and hybrid nite element methods. INRIA-
Rocquencourt, Rapport n
737, 1987.
[86] D. Savage. The Scientic and Regulatory Basis for the Geological Disposal of Radio-
active Waste. Wiley, 1995.
[87] P. Siegel, R. Mose, Ph. Ackerer, P. Blaschke, and J. Jare. Solution of advection dis-
persion equation using operator and time splitting. In Proceedings of IX International
Conference on Finite Elements in Fluids, New Trends and Applications, Venice, Italy
(October 15-21), 1995. ARMOIRE.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
124 BIBLIOGRAPHIE
[88] P. Siegel, R. Mose, Ph. Ackerer, and J. Jare. Solution of the advection-diusion
equation using a combination of discontinuous and mixed nite elements. Internat.
J. Numer. Methods Fluids, 24(6) :595613, 1997.
[89] W. Squire and G. Trapp. Using complex variables to estimate derivatives of real
functions. SIAM Rev., 40(1) :110112 (electronic), 1998.
[90] N.-Z. Sun. Inverse Problems in Groundwater Modeling. Kluwer Academic Publishers,
the Netherland, 1995.
[91] TAMC. http://www.autodi.com/tamc/. Tangent linear and Adjoint Model Compiler,
2008.
[92] Tapenade. http://www-sop.inria.fr/tropics/. Tropics Team, INRIA Sophia-Antipolis,
2008.
[93] A. Tarantola. Inverse problem theory : Methods for data tting and model parameter
estimation. Elsevier Science Publishers B.V., Amsterdam, 1987.
[94] R. Temam and J. Tribbia, editors. Handbook of numerical analysis. Vol. XIV. Special
volume : computational methods for the atmosphere and the oceans, volume 14 of
Handbook of Numerical Analysis. Elsevier/North-Holland, Amsterdam, 2009.
[95] J.M. Thomas. Sur lanalyse numerique des methodes delements nis hydrides et
mixtes. Thèse de doctorat, Universite Pierre et Marie Curie, 1977.
[96] V. Thomee. Galerkin nite element methods for parabolic problems, volume 25 of
Springer Series in Computational Mathematics. Springer-Verlag, Berlin, second edi-
tion, 2006.
[97] A. Tikhonov and V. Arsenin. Solutions of ill-posed problems. V. H. Winston & Sons,
Washington, D.C. : John Wiley & Sons, New York, 1977. Translated from the Russian,
Preface by translation editor Fritz John, Scripta Series in Mathematics.
[98] M. Y. Wang, X. Wang, and D. Guo. A level set method for structural topology
optimization. Comput. Methods Appl. Mech. Engrg., 192(1-2) :227246, 2003.
[99] D.A. Zimmermann and al. A comparison of seven geostatistically based inverse ap-
proaches to estimate transmissivities for modeling advective transport by groundwater
ow. Water Resources Research, 34, n
6 :13731413, 1998.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9
Resume
Dans ce travail, nous nous sommes interesses à lestimation des paramètres de transport
de solutes dans un milieu poreux peu permeable, dun point de vue theorique et applique,
en lien avec le stockage des dechets nucleaires à vie longue en couche geologique profonde.
La problematique de la gestion des dechets nucleaires est devenue durant ces dernières
annees une preoccupation importante de la societe. Les modèles mathematiques utilises
pour le stockage des dechets en site profond sont bases sur les equations decoulement et
de transport en milieu poreux. Ces modèles necessitent de connatre les paramètres phy-
siques des dierentes couches geologiques. Ces paramètres (porosite et diusion) netant
pas accessibles directement, nous avons etudie, dans un premier temps, laspect identica-
tion de paramètres à zones xees. Pour resoudre notre problème inverse, nous avons utilise
des methodes deterministes (ou variationnelles) basees sur la minimisation dun critère
(ou fonction co ut) quadratique, lobjectif etant de trouver lensemble des paramètres qui
minimisent le critère. Nous avons decompose le milieu en zones homogènes dans lesquelles
les ccients ont ete identies (technique de zonation). Pour cela, nous avons dierentie
le code de convection-diusion Traces avec le logiciel de dierentiation automatique Ta-
penade an dobtenir le code adjoint de Traces. Dans un second temps, nous avons utilise
ce travail pour resoudre le problème didentication de zones. On a cherche, partant dune
conguration geologique modiee, à retrouver la conguration geologique reelle en identi-
ant les paramètres qui ont pour support ces zones. En regroupant ensuite par isovaleurs
les ccients identies, nous avons obtenu la conguration recherchee.
Mots-cles : dechets nucleaires, equations decoulement et de transport, porosite, diu-
sion, milieu hydro-geologique, problème inverse, etat adjoint, estimation de paramètres,
zonation, methodes numeriques, Traces, Tapenade.
Summary
In this work, we are interested in estimating solute transport parameters in a porous me-
dium whith a low permeability, from a theoretical and applied point of view in connection
with the storage of long-lived nuclear waste in deep geological layer. In recent years, the
problem of nuclear waste management has become a major concern of society. The mathe-
matical models used for storing waste in deep level are based on the ow and transport
equations in porous media. These models require the knowledge of the physical parameters
of the dierent geological layers. Since those parameters (porosity and diusion) are not
directly accessible by measurements, we studied rstly the aspect of parameters identi-
cation in xed areas. To solve this inverse problem, we used deterministic (or variational)
methods based on the minimization of a quadratic criterion (or cost function) with the
objective of nding all the parameters that minimize the criterion. We have broken down
the media in homogeneous areas in which the coecients have been identied (zonation
technique). For this, we dierentiated the convection-diusion code Traces with the auto-
matic dierentiation software Tapenade to get the adjoint code of Traces. In a second step,
we used this work to solve the zones identication problem. Starting from a modied geo-
logical conguration, we searched for the actual geological conguration by identifying the
parameters whose supports are these zones. Then, by grouping the identied coecients
by isovalues, we obtained the real conguration.
Keywords : nuclear waste, ow and transport equations, porosity, diusion, hydro-geological
media, inverse problem, adjoint state, parameter estimation, zonation, numerical methods,
Traces, Tapenade.
t
e
l
-
0
0
4
4
2
6
3
5
,

v
e
r
s
i
o
n

2

-

2
8

D
e
c

2
0
0
9

These Migliore

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

These Migliore

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIT

E DE NICE SOPHIA ANTIPOLIS UFR Sciences

Ecole Doctorale Sciences Fondamentales et Appliquees

ET INRIA Sophia Antipolis Examinateur

E INRIA Rocquencourt Rapporteur

travaille depuis longtemps sur le sujet et a pour mission detudier,

Agence Nationale pour la gestion des Dechets RadioActifs

dependant de la vitesse de Darcy

est une matrice, plus

dependant de la vitesse de Darcy

secrit en deux dimen-

sera nulle. La matrice de diusion sera donc reduite au ccient de diusion

Les resultats de la thèse sappliquent sans problème au modèle prenant en compte la

(v) : w (v, w) est lineaire continue de R

K pour tout P. (3.11)

du probl`eme (3.3) est donnee en resolvant le syst`eme suivant

Pour simplier letude, on a pris dans ce paragraphe pour

q.nP C d dt. (3.53)

J(K, C(K)) J(K e

et nous permet de calculer le

(t) + o(t)) + d. (4.14)

, qui calcule les derivees analytiques le long du pro-

, qui consiste `a ajouter au pro-

On peut egalement citer le compilateur TAMC [91] pour le langage fortran.

et on xe les valeurs dans

S-ar putea să vă placă și